論文の概要: Self-supervised Contrastive Learning for EEG-based Sleep Staging

• arxiv url: http://arxiv.org/abs/2109.07839v1
• Date: Thu, 16 Sep 2021 10:05:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-17 13:53:09.314621
• Title: Self-supervised Contrastive Learning for EEG-based Sleep Staging
• Title（参考訳）: 脳波に基づく睡眠ステージングのための自己教師付きコントラスト学習
• Authors: Xue Jiang, Jianhui Zhao, Bo Du, Zhiyong Yuan
• Abstract要約: 睡眠段階分類のための脳波信号の自己教師付きコントラスト学習法を提案する。 詳細は、ネットワークのパフォーマンスは、トレーニングプロセスで使用される変換の選択とラベルなしデータの量に依存する。
• 参考スコア（独自算出の注目度）: 29.897104001988748
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: EEG signals are usually simple to obtain but expensive to label. Although supervised learning has been widely used in the field of EEG signal analysis, its generalization performance is limited by the amount of annotated data. Self-supervised learning (SSL), as a popular learning paradigm in computer vision (CV) and natural language processing (NLP), can employ unlabeled data to make up for the data shortage of supervised learning. In this paper, we propose a self-supervised contrastive learning method of EEG signals for sleep stage classification. During the training process, we set up a pretext task for the network in order to match the right transformation pairs generated from EEG signals. In this way, the network improves the representation ability by learning the general features of EEG signals. The robustness of the network also gets improved in dealing with diverse data, that is, extracting constant features from changing data. In detail, the network's performance depends on the choice of transformations and the amount of unlabeled data used in the training process of self-supervised learning. Empirical evaluations on the Sleep-edf dataset demonstrate the competitive performance of our method on sleep staging (88.16% accuracy and 81.96% F1 score) and verify the effectiveness of SSL strategy for EEG signal analysis in limited labeled data regimes. All codes are provided publicly online.
• Abstract（参考訳）: EEG信号は通常取得は簡単であるが、ラベル付けは高価である。 教師付き学習は脳波信号解析の分野で広く用いられているが、その一般化性能は注釈付きデータ量によって制限されている。 コンピュータビジョン(CV)と自然言語処理(NLP)における一般的な学習パラダイムである自己教師あり学習(SSL)は、教師あり学習のデータ不足を補うためにラベルのないデータを使用することができる。 本稿では,睡眠段階分類のための脳波信号の自己教師付きコントラスト学習法を提案する。 トレーニング中,脳波信号から生成された適切な変換ペアに一致するように,ネットワークのプリテキストタスクを設定した。 このようにして、ネットワークは脳波信号の一般的な特徴を学習することで表現能力を向上させる。 ネットワークの堅牢性はまた、多様なデータを扱う際にも改善され、データの変更から一定の特徴を抽出する。 詳しくは、ネットワークのパフォーマンスは、自己教師あり学習のトレーニングプロセスで使用される、変換の選択とラベルなしデータの量に依存する。 スリープ・edfデータセットを用いた実証評価では, 睡眠時ステージング(88.16%の精度と81.96%のF1スコア)において, 脳波信号解析におけるSSL戦略の有効性が検証された。 すべてのコードはオンラインで公開されている。

関連論文リスト

• Context-Aware Predictive Coding: A Representation Learning Framework for WiFi Sensing [0.0]
  WiFiセンサーは、様々なセンサーアプリケーションに無線信号を利用する新興技術である。 本稿では,CAPC(Context-Aware Predictive Coding)と呼ばれる新しいSSLフレームワークを紹介する。 CAPCは問題のないデータから効果的に学習し、多様な環境に適応する。 評価の結果、CAPCは他のSSLメソッドや教師付きアプローチよりも優れているだけでなく、優れた一般化能力も達成できることがわかった。
  論文  参考訳（メタデータ） (2024-09-16T17:59:49Z)
• Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
  脳波信号物理を利用した教師なし手法を提案する。 脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。 提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
  論文  参考訳（メタデータ） (2024-03-07T16:17:33Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• Self-Supervised PPG Representation Learning Shows High Inter-Subject Variability [3.8036939971290007]
  本稿では,信号再構成を前提とした自己教師付き学習(SSL)手法を提案し,汎用的なPSG表現を学習する。 結果として、SSLを使用するラベルデータ設定(クラス毎に10のサンプル)が非常に限定されていることが分かる。 SSLは、ラベルスカースレジームにおけるPSGデータに機械学習モデルが広く使われるための道を開くかもしれない。
  論文  参考訳（メタデータ） (2022-12-07T19:02:45Z)
• Does Decentralized Learning with Non-IID Unlabeled Data Benefit from Self Supervision? [51.00034621304361]
  自己教師型学習(SSL)のレンズによるラベルなしデータによる分散学習の研究 本研究では,分散学習環境下でのコントラスト学習アルゴリズムの有効性について検討する。
  論文  参考訳（メタデータ） (2022-10-20T01:32:41Z)
• Self-supervised EEG Representation Learning for Automatic Sleep Staging [26.560516415840965]
  脳波信号表現学習のための自己教師型モデルContrast with the World Representation (ContraWR)を提案する。 ContraWRは、実世界の3つのEEGデータセットで評価される。 ContraWRは、トレーニングラベルが少ないと教師あり学習に勝る。
  論文  参考訳（メタデータ） (2021-10-27T04:17:27Z)
• Improved Speech Emotion Recognition using Transfer Learning and Spectrogram Augmentation [56.264157127549446]
  音声感情認識(SER)は、人間とコンピュータの相互作用において重要な役割を果たす課題である。 SERの主な課題の1つは、データの不足である。 本稿では,スペクトログラム拡張と併用した移動学習戦略を提案する。
  論文  参考訳（メタデータ） (2021-08-05T10:39:39Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)
• Federated Self-Supervised Learning of Multi-Sensor Representations for Embedded Intelligence [8.110949636804772]
  スマートフォン、ウェアラブル、IoT(Internet of Things)デバイスは、教師付きモデルを学習するための集中リポジトリに蓄積できない豊富なデータを生成する。 本稿では,ウェーブレット変換に基づくテキストカルグラム・信号対応学習という自己教師付きアプローチを提案し,ラベルなしセンサ入力から有用な表現を学習する。 さまざまなパブリックデータセットのマルチビュー戦略を用いて,学習機能の品質を広範囲に評価し,すべての領域で高いパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2020-07-25T21:59:17Z)
• Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
  ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。 我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。 そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
  論文  参考訳（メタデータ） (2020-05-18T09:36:51Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。