iPSD: Önállóan tisztítja az EEG-jeleket az új mélytanulási módszer
A rendszer a bemeneti EEG-szegmenst független, zajos részekre bontja, amelyek azonos alapjelet tartalmaznak, ezzel lehetővé téve az önszupervíziós betanítást.
Új mélytanulási módszert fejlesztettek ki, amely tiszta referenciaadatok nélkül is képes zajt szűrni az elektroencefalogram (EEG) jeleiből — írja az arXiv-on megjelent tanulmány.
A viselhető EEG-eszközök zajszűrése rendkívül nehéz feladat, mivel az agyi aktivitás jelei finomak, és spektrálisan átfednek a zajjal. A hagyományos jelfeldolgozási eljárások, amelyek rögzített vagy heurisztikus szabályokra támaszkodnak, nem tudják kezelni az időben változó, átható zajt.
A mélytanulási megoldások ígéretesnek tűnnek a felbontás nélküli EEG-zajszűrésben, de eddig tiszta, zajmentes EEG-adatokra volt szükség a betanításhoz. Ez a gyakorlatban szinte beszerezhetetlen.
A zajmentesítés hangtalan harcosa
Az új módszer, a Intelligent Partitioning for Self-supervised Denoising (iPSD), éppen ezt a problémát oldja meg. Az iPSD megszünteti a tiszta referenciaigényt azáltal, hogy megtanulja felosztani a bemeneti EEG-szegmenst független, zajos realizációkra, amelyek azonos alapjelet tartalmaznak. Ez lehetővé teszi a mélytanulási zajszűrők önszupervíziós betanítását, akár olyan „zero-shot” környezetben is, ahol csak egyetlen zajszűrni kívánt EEG-szegmens áll rendelkezésre.
Zajmentes jövőkép
A mélytanulási algoritmusok alkalmazhatók felügyelet nélküli tanulási feladatokra, ami jelentős előny, mivel a címkézetlen adatok sokkal bőségesebbek, mint a címkézett adatok. Az iPSD validációja a Stanford Egyetem kutatói által végzett kísérletek során kezdődött, 2024. március elsejével kezdődően.