Key points are not available for this paper at this time.
注釈付き脳波(EEG)データは、人工知能駆動のEEG自動分析の前提条件です。しかし、高コストによる注釈データの不足とそれに伴うトレーニングの不十分さがEEG自動分析の発展を制限しています。マスクオートエンコーダに代表される生成的自己教師あり学習は可能性を提供しますが、非ユークリッド構造に苦しんでいます。これらの課題を緩和するために、本研究では、EEG表現学習のための自己教師ありグラフマスクオートエンコーダであるGMAEEGを提案します。具体的には、マスク信号再構成の前提課題を通じて、事前トレーニングされたモデルが時間的および空間的表現で強化されます。事前知識で初期化された学習可能な動的隣接行列が脳の特性に適応します。下流タスクは、タスクの機能的類似性に基づいて隣接行列が転送されることで、事前トレーニングされたパラメータのファインチューニングにより達成されます。実験結果は、前提課題として感情認識を用いることで、GMAEEGが感情、重度のうつ病、パーキンソン病、および痛み認識を含む様々な下流タスクで優れた性能を発揮することを示しています。本研究は、非ユークリッド特性を考慮したEEG表現学習のためにマスクオートエンコーダを特別に調整する初めての研究です。さらに、GMAEEGに基づくグラフ接続分析は、将来の臨床研究に対する洞察を提供する可能性があります。
Fu et al. (Thu,) がこの問題を研究しました。