Kotoge, R., Chen, Z., Kimura, T., Matsubara, Y., Yanagisawa, T., Kishima, H., & Sakurai, Y. (2024). SplitSEE: A Splittable Self-supervised Framework for Single-Channel EEG Representation Learning. arXiv preprint arXiv:2410.11200.
本研究旨在開發一種名為 SplitSEE 的新型深度學習框架,該框架能夠僅憑藉單通道腦電圖 (EEG) 數據,有效學習出具有代表性和事件性的特徵,並應用於癲癇發作預測和睡眠階段分類等下游任務。
SplitSEE 框架採用可拆分的自監督學習策略,主要由三個關鍵模組組成:時域學習模組、頻域學習模組和深度聚類模組。時域和頻域模組分別透過多粒度學習和對比學習,獨立地從原始腦電圖數據中提取時域和頻域特徵。深度聚類模組則負責將學習到的時域和頻域特徵對齊到一個統一的特徵空間,確保它們攜帶的信息與相同的輸入數據相關聯。
SplitSEE 框架為單通道腦電圖表徵學習提供了一種有效且可擴展的解決方案,其自監督學習策略和可拆分架構設計使其在臨床診斷和便攜式監測等實際應用中具有巨大潛力。
本研究為單通道腦電圖分析開闢了新的途徑,其高效性和可擴展性有助於推動腦電圖技術在神經系統疾病診斷和治療中的應用。
翻譯成其他語言
從原文內容
arxiv.org
深入探究