少妇婬乱高潮AAAA片东京热,娇妻借种被大肉楱征服视频,高清毛片aaaaaaaaa片

腦機接口與混合智能研究小組

更多動態(tài)

366

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》,。

浙江大學的張道澤為論文的第一作者,，浙江大學計算機科學與技術學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利用預訓練的EEG基礎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)高效知識轉移。在睡眠階段分類,、情緒識別等多個下游任務中,，Brant-X展現(xiàn)了卓越的性能，超越了現(xiàn)有的任務特定和任務無關的基線方法,。

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，以及不同應用場景下的任務需求差異,。

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。該框架通過預訓練的EEG基礎模型,、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)高效知識轉移，以適應不同下游任務的需求,，并提高了下游任務的性能,。

研究方法

Brant-X框架的整體流程如圖1所示,。首先,，基于EEG基礎模型，通過同時采集的EEG和EXG數(shù)據(jù)之間的對齊來訓練EXG編碼器,。然后,，能夠從EEG和EXG信號中學習強表示的EEG和EXG編碼器被應用于不同場景下的各種下游任務（包括睡眠階段分類、情緒識別,、凍結步態(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的總體架構如圖2所示。通過結合預訓練的EEG基礎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的結構,。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片段以及相應的EEG和EXG序列進行對齊,。

1. 預訓練的EEG基礎模型

Brant-2的腦信號基礎模型由超過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)）上進行了預訓練，可以從EEG信號中學習到強大的表示,。更重要的是,，它使用了不同采樣率的預訓練數(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)轉換為低維的潛在空間表示,，這有助于減少數(shù)據(jù)的復雜性,，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,。

5. 兩級對齊

觀察到任務之間的差距主要源于相關語義尺度的不同,，為了解決各種信號和任務之間的差距,，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性建模鋪了新的道路。

實驗設計

作者總結了現(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，本文設置了四個下游任務,，包括睡眠階段分類,、情緒識別、凍結步態(tài)檢測和眼動交流,。

（1）下游任務數(shù)據(jù)集

Sleep-EDF：睡眠階段分類任務,，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,，包含23名受試者。
FoG：凍結步態(tài)檢測任務,，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，包含4名ALS患者,。

（2）Baselines