Datenbanken für Biosignale, wie beispielsweise Elektroenzephalogramm (EEG) und Elektrokardiogramm (ECG), weisen oft verrauschte Labels auf und verfügen über eine begrenzte Anzahl an Probanden (weniger als 100). Um diesen Herausforderungen zu begegnen, schlagen wir einen selbstüberwachten Ansatz basierend auf kontrastiver Lernmethodik vor, um Biosignale mit geringerer Abhängigkeit von gelabelten Daten und mit weniger Probanden zu modellieren. In diesem Regime mit begrenzten Labels und Probanden beeinträchtigt die zwischenindividuelle Variabilität negativ die Modellleistung. Daher führen wir ein subject-aware Lernen ein, das durch (1) eine pro-subjekt-spezifische kontrastive Verlustfunktion und (2) ein adversariales Training zur Förderung von subjektinvarianten Merkmalen während des selbstüberwachten Lernens charakterisiert ist. Zudem entwickeln wir eine Reihe von Zeitreihen-Daten-Augmentierungstechniken, die mit der kontrastiven Verlustfunktion für Biosignale eingesetzt werden können. Unser Ansatz wird an öffentlich verfügbaren Datensätzen zweier unterschiedlicher Biosignale mit verschiedenen Aufgaben – EEG-Decodierung und ECG-Anomalieerkennung – evaluiert. Die durch selbstüberwachtes Lernen erlernten Embeddings erzielen vergleichbare Klassifikationsergebnisse im Vergleich zu vollständig überwachten Methoden. Wir zeigen, dass die Erreichung von Subjekt-Invarianz die Qualität der Repräsentation für diese Aufgaben verbessert, und beobachten, dass die pro-subjekt-spezifische Verlustfunktion die Leistung bei der Feinabstimmung mit überwachten Labels erhöht.