[論文レビュー] Self-supervised Learning for Electroencephalogram: A Systematic Survey

Weining Weng, Yang Gu+5 more|arXiv (Cornell University)|Jan 9, 2024

EEG and Brain-Computer Interfaces被引用数 5

ひとこと要約

EEG分析に適用された自己教師付き学習（SSL）の系統的調査であり、分類法、方法論、下流タスク、データセット、今後の方向性を提供する。

ABSTRACT

Electroencephalogram (EEG) is a non-invasive technique to record bioelectrical signals. Integrating supervised deep learning techniques with EEG signals has recently facilitated automatic analysis across diverse EEG-based tasks. However, the label issues of EEG signals have constrained the development of EEG-based deep models. Obtaining EEG annotations is difficult that requires domain experts to guide collection and labeling, and the variability of EEG signals among different subjects causes significant label shifts. To solve the above challenges, self-supervised learning (SSL) has been proposed to extract representations from unlabeled samples through well-designed pretext tasks. This paper concentrates on integrating SSL frameworks with temporal EEG signals to achieve efficient representation and proposes a systematic review of the SSL for EEG signals. In this paper, 1) we introduce the concept and theory of self-supervised learning and typical SSL frameworks. 2) We provide a comprehensive review of SSL for EEG analysis, including taxonomy, methodology, and technique details of the existing EEG-based SSL frameworks, and discuss the difference between these methods. 3) We investigate the adaptation of the SSL approach to various downstream tasks, including the task description and related benchmark datasets. 4) Finally, we discuss the potential directions for future SSL-EEG research.

研究の動機と目的

• SSLを活用して、EEG分析におけるラベル不足と被験者間変動を動機づけ、解決する。
• EEGベースのSSLフレームワークの総合的な分類体系と方法論の概要を提供する。
• SSLがどのように多様なEEG下流タスクへ転送可能な表現を可能にするかを検証する。
• SSL-EEG研究のデータセット、評価ベンチマーク、および今後の方向性を特定する。

提案手法

• EEG文脈におけるSSLの基礎とエンコーダ/デコーダを説明する。
• EEG SSL手法を予測型、生成型、対比型、ハイブリッド型のカテゴリに分類する。
• EEG SSLで用いられる空間的/時間的/変換ベースの前提タスクを詳述する。
• 事前学習と下流のファインチューニング手順およびトレーニングモードを説明する。
• SSL目的関数と損失を数式的に定式化する。
• EEG SSLフレームワークとそのタスク適応に関する構造化レビューを提示する。

実験結果

リサーチクエスチョン

• RQ1 ラベルなしでEEG表現を学習させる際、最も効果的なSSL戦略は何か？
• RQ2 EEG分析のSSLフレームワークはどのように分類でき、各カテゴリのトレードオフは何か？
• RQ3 SSL由来の表現が恩恵を受ける下流のEEGタスクは何か、どのデータセットがこれを示すか？
• RQ4 EEGにおけるSSLの将来の方向性と課題は何か？
• RQ5 前提タスクはEEG信号の特性（時系列・空間・周波数領域）とどのように一致するか？

主な発見

• SSL手法は、感情認識、てんかん検出、睡眠段階推定などのタスクにおいて、ラベルなしデータから意味のあるEEG表現を学習できる。
• EEG SSLは予測型、生成型、対比型、ハイブリッド型のアプローチに分類され、それぞれ異なる前提タスクと損失を持つ。
• 空間的・時間的・変換ベースの前提タスクはEEG信号のさまざまな側面を捉え、下流の性能を向上させる。
• 時間的およびチャネル指向の拡張、そしてInfoNCEのような対比損失は、堅牢なEEG表現を学習するのに効果的である。
• 体系的な分類とベンチマーク指向の議論は、今後のSSL-EEG研究とデータセットの検討を導く。