Cet article propose l'EEGDM, une nouvelle méthode d'apprentissage auto-supervisé basée sur un modèle de diffusion latente (LDM). Cette méthode s'attaque aux limites des méthodes existantes d'analyse de signaux d'électroencéphalographie (EEG) basées sur l'apprentissage profond, qui peinent à apprendre des représentations généralisables performantes dans diverses tâches avec des données d'apprentissage limitées. L'EEGDM utilise la génération de signaux EEG comme objectif d'apprentissage auto-supervisé et intègre un encodeur EEG qui transforme les signaux EEG et les améliorations de canal en une représentation compressée. Le modèle de diffusion sert d'information conditionnelle guidant le processus de génération du signal EEG, fournissant un espace latent compressé facilitant le contrôle du processus de génération et pouvant être utilisé dans les tâches en aval. Les résultats expérimentaux démontrent que l'EEGDM permet une reconstruction de signal EEG de haute qualité, un apprentissage de représentation robuste et des performances compétitives dans diverses tâches en aval avec un petit ensemble de données de pré-apprentissage, soulignant sa généralisabilité et son aspect pratique.
