简介：多通道脑电图(electroencephalography,EEG)作为一种非侵入性技术,通过在头皮上布置多个电极记录大脑电活动,帮助理解个体的心理状态和辅助诊断多种疾病.鉴于标记大量EEG数据的高昂成本和技术挑战,自监督学习(self-supervised learning,SSL)作为一种无需标签的学习范式,通过挖掘数据内在结构进行学习,可有效提升模型的泛化性能,已在EEG领域获得广泛关注.尽管当前研究已取得了显著进展,但仍面临以下挑战:首先,多通道EEG数据蕴含复杂的时空关联,然而众多当前方法仅局限于时间或空间单一维度的建模,未能全面融合两者,限制了对EEG信号内在复杂特征的深入理解.其次,许多现有方法未能有效结合利用片段级与示例级信息,前者有助于提升模型的泛化能力,而后者则能帮助模型更好地适应下游(分类)任务.针对上述挑战,提出并实现一个结合对比和重建的自监督预训练框架.具体而言,在时间维度掩码重建的基础上引入通道掩码策略,有效捕捉EEG数据的时空关系,并细粒度地捕捉片段间的关系,提升了模型的性能和泛化能力.同时,结合示例级对比学习与掩码重建任务,帮助模型学习到具有示例区分性和局部感知能力的表示,从而更好地适应下游任务.此外,引入自步学习机制进一步增强了模型的泛化能力.最后,在多个EEG任务上的实验结果验证了所提方法的有效性.展开
