Core Concepts
Durch die Einführung einer neuartigen Kanal-basierten Blockmasking-Strategie und drei neuen Architekturen für die nachgelagerte Klassifizierung zeigt diese Studie das Potenzial von Joint-Embedding-Vorhersage-Architekturen (JEPAs) für die Repräsentation von EEG-Aufzeichnungen.
Abstract
Diese Studie untersucht, wie selbstüberwachte Lernalgorithmen am besten auf EEG-Signale angewendet werden können. Dazu wird ein neuer Ansatz namens Signal-JEPA (S-JEPA) vorgestellt, der eine neuartige Kanal-basierte Blockmasking-Strategie und drei neue Architekturen für die nachgelagerte Klassifizierung beinhaltet.
Die Studie wurde auf einem Datensatz mit 54 Probanden durchgeführt und die Leistung der Modelle auf drei verschiedenen BCI-Paradigmen (Motorvorstellung, ERP und SSVEP) evaluiert. Die Ergebnisse zeigen, dass die Länge der Beispiele während des selbstüberwachten Lernens einen großen Einfluss auf die Leistung in den nachgelagerten Aufgaben hat. Längere Beispiele von 16 Sekunden führten zu den besten Ergebnissen. Die Auswirkungen der Maskengröße waren hingegen weniger eindeutig.
Darüber hinaus zeigte sich, dass die beste Feinabstimmungsstrategie eine räumliche Filterung der Signale vor der Merkmalsextraktion beinhaltet. Dies unterstreicht die Bedeutung der räumlichen Filterung für die Leistungssteigerung von Modellen, die EEG-Daten verarbeiten.
Stats
Die Leistung der besten Pipelines erreichte 97% AUC für die ERP-Aufgabe, 94% Genauigkeit für die SSVEP-Aufgabe und 65% Genauigkeit für die Motorvorstellungsaufgabe.
Quotes
"Unsere Ergebnisse heben die Bedeutung der räumlichen Filterung für eine genaue nachgelagerte Klassifizierung hervor und zeigen einen Einfluss der Länge der Beispiele für das selbstüberwachte Lernen, aber nicht der Maskengröße, auf die nachgelagerte Leistung."
"Nur eine ausgewählte Teilmenge der Pipelines erzielt hervorragende Ergebnisse auf dem SSVEP-Datensatz."