ترجمه فارسی مقاله SPEED: پیش پردازش مقیاس پذیر داده های EEG برای یادگیری خود نظارتی

چکیده

Electroencephalography (EEG) research typically focuses on tasks with narrowly defined objectives, but recent studies are expanding into the use of unlabeled data within larger models, aiming for a broader range of applications. This addresses a critical challenge in EEG research. For example, Kostas et al. (2021) show that self-supervised learning (SSL) outperforms traditional supervised methods. Given the high noise levels in EEG data, we argue that further improvements are possible with additional preprocessing. Current preprocessing methods often fail to efficiently manage the large data volumes required for SSL, due to their lack of optimization, reliance on subjective manual corrections, and validation processes or inflexible protocols that limit SSL. We propose a Python-based EEG preprocessing pipeline optimized for self-supervised learning, designed to efficiently process large-scale data. This optimization not only stabilizes self-supervised training but also enhances performance on downstream tasks compared to training with raw data.

چکیده به فارسی (ترجمه ماشینی)

تحقیقات الکتروانسفالوگرافی (EEG) به طور معمول بر وظایف با اهداف کاملاً تعریف شده متمرکز است ، اما مطالعات اخیر در استفاده از داده های بدون برچسب در مدلهای بزرگتر گسترش می یابد و با هدف طیف گسترده تری از برنامه ها.این یک چالش مهم در تحقیقات EEG است.به عنوان مثال ، Kostas و همکاران.(2021) نشان می دهد که یادگیری خود نظارتی (SSL) از روشهای نظارت شده سنتی بهتر عمل می کند.با توجه به سطح سر و صدای زیاد در داده های EEG ، ما استدلال می کنیم که پیشرفت های بیشتر با پیش پردازش اضافی امکان پذیر است.روشهای پیش پردازش فعلی اغلب به دلیل عدم بهینه سازی ، اتکا به اصلاحات دستی ذهنی و فرآیندهای اعتبار سنجی یا پروتکل های انعطاف پذیر که SSL را محدود می کنند ، به طور مؤثر در مدیریت حجم داده های بزرگ مورد نیاز SSL ناکام هستند.ما یک خط لوله پیش پردازش EEG مبتنی بر Python را برای یادگیری خودکارد شده ، طراحی شده برای پردازش کارآمد داده های در مقیاس بزرگ پیشنهاد می کنیم.این بهینه سازی نه تنها آموزش خودكاری را تثبیت می كند ، بلكه باعث افزایش كار در كارهای پایین دست در مقایسه با آموزش با داده های خام نیز می شود.