Cet article aborde le problème de l'exploitation efficace de volumes massifs de données EEG haute densité non étiquetées afin d'améliorer les performances dans un contexte de données EEG basse densité étiquetées limitées. Nous formulons ce problème comme un problème d'apprentissage par transfert de graphes et de distillation de connaissances, et proposons un nouveau modèle appelé EEG-DisGCMAE (Unified Pre-trained Graph Contrastive Masked Autoencoder Distiller). EEG-DisGCMAE introduit un paradigme de pré-apprentissage auto-supervisé de graphes unifiés qui intègre le pré-apprentissage par apprentissage contrastif de graphes et le pré-apprentissage par auto-encodeur masqué de graphes. De plus, nous proposons une fonction de perte de distillation de topologie de graphes afin qu'un modèle d'élève léger, entraîné sur des données basse densité, puisse apprendre d'un modèle d'enseignant entraîné sur des données haute densité pendant le pré-apprentissage et le réglage fin. Cette méthode gère efficacement les électrodes manquantes grâce à la distillation contrastive. Nous validons l'efficacité d'EEG-DisGCMAE sur quatre tâches de classification à l'aide de deux jeux de données EEG cliniques riches en données. Le code source est disponible sur GitHub.
