تُعاني مجموعات البيانات الخاصة بالإشارات الحيوية، مثل التخطيط الكهربائي للدماغ (EEG) والتخطيط الكهربائي للقلب (ECG)، غالبًا من وجود علامات ملوثة وعدد محدود من المشاركين (أقل من 100). ولمعالجة هذه التحديات، نقترح نهجًا ذاتيًا التدريب (self-supervised) مبنيًا على التعلم التبايني (contrastive learning) لتمثيل الإشارات الحيوية مع تقليل الاعتماد على البيانات المُعلَّمة وعدد المشاركين. في هذه البيئة المحدودة من العلامات والمشاركين، تؤثر التباينات بين الأفراد سلبًا على أداء النموذج. لذا، نُقدّم تعلّمًا واعيًا بالمشارك من خلال (1) دالة خسارة تباينية مخصصة لكل مشارك، و(2) تدريبًا مضادًا (adversarial training) لتعزيز التماثل بين المشاركين أثناء التدريب الذاتي. كما نطوّر عددًا من تقنيات تحسين السلاسل الزمنية (time-series data augmentation) لاستخدامها مع دالة الخسارة التباينية في سياق الإشارات الحيوية. تم تقييم منهجنا على مجموعات بيانات عامة متاحة لعلامتين حيوية مختلفتين، وبمهمات مختلفة: فك تشفير إشارات EEG وتحديد الشذوذ في إشارات ECG. أظهرت التمثيلات (embeddings) التي تم تعلّمها باستخدام التدريب الذاتي نتائج تصنيف تنافسية مقارنة بالأساليب المدربة بالكامل باستخدام التعلم المُعلَّم. ونُظهر أن التماثل بين المشاركين يُحسّن جودة التمثيل لهذه المهام، كما لاحظنا أن دالة الخسارة المخصصة لكل مشارك تُحسّن الأداء عند التحسين الدقيق (fine-tuning) باستخدام العلامات المُعلَّمة.