粗大挺进朋友的未婚妻性色AV一区二区三区夜夜嗨 ,国产大乳喷奶水无码下一篇电影

腦機接口與混合智能研究小組

更多動態(tài)

363

2024-12-06

該論文發(fā)表于KDD '24: Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining（CCF A）,，題目為《Brant-X: A Unified Physiological Signal Alignment Framework》,。

浙江大學(xué)的張道澤為論文的第一作者，浙江大學(xué)計算機科學(xué)與技術(shù)學(xué)院副教授楊洋為本文通訊作者,。

論文鏈接：

https://doi.org/10.1145/3637528.3671953

源碼鏈接：

https://github.com/zjunet/Brant-X/

論文概要

Brant-X是一個新提出的生理信號對齊框架,，旨在通過建模腦電圖（EEG）與其他生理信號（如眼電圖EOG,、心電圖ECG和肌電圖EMG，統(tǒng)稱為EXG）之間的相關(guān)性,，提升多種健康監(jiān)測和疾病診斷場景下的性能,。Brant-X利用預(yù)訓(xùn)練的EEG基礎(chǔ)模型和兩級對齊策略,，實現(xiàn)了從EEG到其他生理信號的數(shù)據(jù)高效知識轉(zhuǎn)移。在睡眠階段分類,、情緒識別等多個下游任務(wù)中,，Brant-X展現(xiàn)了卓越的性能，超越了現(xiàn)有的任務(wù)特定和任務(wù)無關(guān)的基線方法,。

研究背景

生理信號是了解人體各種生理狀態(tài)的重要線索,。盡管現(xiàn)有研究多集中于單一類型的生理信號，但人體作為一個整體的生物系統(tǒng),，各生理數(shù)據(jù)之間的內(nèi)在聯(lián)系不容忽視,。尤其是大腦作為生命活動的控制中心，EEG與其他生理信號之間存在顯著的相關(guān)性,，這對于改善多種健康監(jiān)測和疾病診斷場景下的性能至關(guān)重要,。然而，實現(xiàn)這些生理信號之間的有效對齊和分析仍面臨挑戰(zhàn),，包括多類型生理數(shù)據(jù)的稀缺性、不同生理信號之間的固有屬性差異,，以及不同應(yīng)用場景下的任務(wù)需求差異,。

針對這些挑戰(zhàn)，本研究提出了統(tǒng)一的生理信號對齊框架Brant-X,。該框架通過預(yù)訓(xùn)練的EEG基礎(chǔ)模型,、采樣增強和兩級對齊策略，實現(xiàn)了從EEG到其他生理信號的數(shù)據(jù)高效知識轉(zhuǎn)移,，以適應(yīng)不同下游任務(wù)的需求,，并提高了下游任務(wù)的性能。

研究方法

Brant-X框架的整體流程如圖1所示,。首先,，基于EEG基礎(chǔ)模型，通過同時采集的EEG和EXG數(shù)據(jù)之間的對齊來訓(xùn)練EXG編碼器,。然后,，能夠從EEG和EXG信號中學(xué)習(xí)強表示的EEG和EXG編碼器被應(yīng)用于不同場景下的各種下游任務(wù)（包括睡眠階段分類、情緒識別,、凍結(jié)步態(tài)檢測和眼動通信等）,。

圖1 生理信號對齊框架Brant-X概述

Brant-X的總體架構(gòu)如圖2所示。通過結(jié)合預(yù)訓(xùn)練的EEG基礎(chǔ)模型和兩級對齊策略,，實現(xiàn)了EEG與其他生理信號（EXG）之間的有效對齊,。

圖2 Brant-X的結(jié)構(gòu)。在數(shù)據(jù)準備階段,，對EXG數(shù)據(jù)進行升采樣和降采樣,，以增強數(shù)據(jù),。然后，將EEG和EXG數(shù)據(jù)分別輸入EEG編碼器和EXG編碼器,，以獲得數(shù)據(jù)片段的表示,。最后，通過兩級對齊將同時采集的EEG和EXG片段以及相應(yīng)的EEG和EXG序列進行對齊,。

1. 預(yù)訓(xùn)練的EEG基礎(chǔ)模型

Brant-2的腦信號基礎(chǔ)模型由超過1B個參數(shù)組成,，并在多達近4TB的混合數(shù)據(jù)（包括來自26個受試者的2.3TBiEEG數(shù)據(jù)和來自約15,000個受試者的1.6TBEEG數(shù)據(jù)）上進行了預(yù)訓(xùn)練，可以從EEG信號中學(xué)習(xí)到強大的表示,。更重要的是,，它使用了不同采樣率的預(yù)訓(xùn)練數(shù)據(jù)，從而提高了對采樣率變化的魯棒性,。

2. 數(shù)據(jù)分片

鑒于生理數(shù)據(jù)是生物電信號,，生理狀態(tài)的語義信息只能通過多個采樣點共同表達而不是單個采樣點。因此,，本文將整個數(shù)據(jù)序列分割成多個連續(xù)的片段,，以聚合片段內(nèi)的語義信息，減少計算需求,。

3. 采樣增強

EXG信號的采樣率差異很大,，本文采用了采樣增強技術(shù)來提高模型對采樣率變化的魯棒性。具體來說,，如圖2左下方所示,，將原始數(shù)據(jù)的采樣率提高到原來的兩倍，又將其采樣率降低到原來的一半,，從而得到兩組采樣率不同的增強數(shù)據(jù),。

4. 潛在空間嵌入

通過EEG和EXG編碼器，從原始的生理信號中提取關(guān)鍵特征,，如圖2中間部分所示,，這些特征能夠捕捉信號的重要屬性和模式。將高維的生理信號數(shù)據(jù)轉(zhuǎn)換為低維的潛在空間表示,，這有助于減少數(shù)據(jù)的復(fù)雜性,，同時保留最重要的信息，也為后續(xù)的片段級對齊和序列級對齊提供基礎(chǔ),。

5. 兩級對齊

觀察到任務(wù)之間的差距主要源于相關(guān)語義尺度的不同,，為了解決各種信號和任務(wù)之間的差距，本文引入了兩級對齊,，在片段級和序列級全面對齊EEG和EXG信號的語義,，以克服固有差異，捕捉不同語義尺度的EEG和EXG之間的相關(guān)性,。

片段級對齊：在更細的粒度上,，通過在潛在空間中將同時出現(xiàn)的EEG和EXG片段靠攏,，而將不相關(guān)的片段進一步分開，從而在片段級對齊EEG和EXG數(shù)據(jù),。如圖2右上方所示,。
序列級對齊。在更粗的粒度水平上,，采用序列級對齊來對潛空間中的相應(yīng)序列進行對齊,有助于模型捕捉生理信號序列中的時間依賴性和長期模式,，這對于理解信號的動態(tài)變化和整體行為至關(guān)重要。

利用上述方法,，EEG的數(shù)據(jù)和模型資源被擴展到其他生理信號的研究中,，為各種生理信號之間的相關(guān)性建模鋪了新的道路。

實驗設(shè)計

作者總結(jié)了現(xiàn)有的公共多類型生理數(shù)據(jù)集,，以實現(xiàn)從EEG到EXG的數(shù)據(jù)高效知識轉(zhuǎn)移,。為了對同時記錄的EEG和任意EXG數(shù)據(jù)進行對齊，用于無監(jiān)督對齊的訓(xùn)練數(shù)據(jù)由3個數(shù)據(jù)集組成：CAP,、ISRUC和HMC,，包括EEG、EOG,、ECG和EMG信號,。總體而言,，對齊訓(xùn)練數(shù)據(jù)包括來自267名受試者的359條記錄。為了驗證Brant-X的有效性,，本文設(shè)置了四個下游任務(wù),，包括睡眠階段分類、情緒識別,、凍結(jié)步態(tài)檢測和眼動交流,。

（1）下游任務(wù)數(shù)據(jù)集

Sleep-EDF：睡眠階段分類任務(wù)，Sleep-EDF-78數(shù)據(jù)集包含78名受試者,，Sleep-EDF-20數(shù)據(jù)集包含20名受試者,。
DREAMER：情緒識別任務(wù)，包含23名受試者,。
FoG：凍結(jié)步態(tài)檢測任務(wù),，包含12名帕金森病患者。
Gonzalez等發(fā)布的數(shù)據(jù)集(https://doi.org/10.1038/s41597-020-00789-4)：眼動交流任務(wù),，包含4名ALS患者,。

（2）Baselines