Les jeux de données relatifs aux biosignaux, tels que l’électroencéphalogramme (EEG) et l’électrocardiogramme (ECG), souffrent souvent de labels bruités et comptent un nombre limité de sujets (inférieur à 100). Pour relever ces défis, nous proposons une approche auto-supervisée fondée sur l’apprentissage contrastif, permettant de modéliser les biosignaux tout en réduisant la dépendance aux données étiquetées et le nombre de sujets requis. Dans ce cadre de données étiquetées et de sujets limités, la variabilité intersujets nuit fortement à la performance des modèles. Ainsi, nous introduisons un apprentissage conscient du sujet par (1) une perte contrastive spécifique à chaque sujet, et (2) une formation adversaire visant à promouvoir l'invariance aux sujets durant l'apprentissage auto-supervisé. Nous avons également développé plusieurs techniques de transformation de séries temporelles adaptées à l’usage conjoint avec la perte contrastive pour les biosignaux. Notre méthode a été évaluée sur des jeux de données publics décrivant deux types de biosignaux différents, pour deux tâches distinctes : la décodage EEG et la détection d’anomalies ECG. Les représentations apprises par auto-supervision atteignent des résultats de classification compétitifs par rapport aux méthodes entièrement supervisées. Nous démontrons que l’invariance aux sujets améliore la qualité des représentations pour ces tâches, et observons que l’utilisation de la perte spécifique à chaque sujet accroît la performance lors du fin-tuning avec des étiquettes supervisées.