Neonatal Hypoxic-ischaemic Encephalopathy Classification from the EEG and HRV Signals Using a Conformer based Masked Autoencoder
작성자
카테고리
Empty
저자
Shuwen Yu, William P Marnane, Geraldine B. Boylan, Gordon Lightbody
💡 개요
본 논문은 Conformer 아키텍처와 Masked Autoencoder (MAE) 패러다임을 결합한 MAEConformer라는 새로운 자기 지도 학습 프레임워크를 제안합니다. 이를 통해 레이블이 없는 뇌전도(EEG) 및 심박 변이도(HRV) 신호로부터 대규모 표현 학습을 수행합니다. Conformer는 컨볼루션 연산과 트랜스포머 기반의 자기 주의 메커니즘을 통합하여 시계열 데이터의 국소적 시간 패턴과 장거리 문맥 의존성을 효과적으로 포착하며, 다중 해상도 단시간 푸리에 변환(MR-STFT) 손실을 추가하여 시간적, 스펙트럼적 특성을 동시에 학습합니다.
🔑 시사점 및 한계
•
MAEConformer는 EEG 및 HRV와 같은 생리 신호에서 강력하고 전이 가능한 표현을 학습하는 데 매우 효과적입니다.
•
사전 학습된 MAEConformer 모델은 소량의 레이블 데이터만으로도 최첨단 지도 및 자기 지도 학습 기반 모델을 능가하는 뛰어난 성능을 보여, 데이터 효율성을 크게 향상시킵니다.
•
제안된 방법론은 신생아 저산소성 허혈성 뇌병증(HIE)의 심각도 분류와 같은 임상 적용에서 높은 정확도를 달성했습니다.
•
본 연구는 대규모 비지도 학습 데이터셋과 다양한 임상 환경에서의 추가적인 검증을 통해 방법론의 일반화 성능을 더욱 강화할 필요가 있습니다.
