一种用于基于脑电图识别认知状态的类脑生成模型
信号处理
2025-06-12 v2 神经与进化计算
摘要
本文提出一种类脑生成 (BIG) 模型，该模型融合了脉冲注意力神经网络和变分自编码器 (VAE)，用于基于脑电图 (EEG) 数据识别认知状态。我们提出了一种混合学习方法，通过整合基于梯度的学习和异联想记忆来训练该模型。BIG 模型能够实现多任务目标：EEG 分类、生成新的 EEG 以及脑网络解释，从而缓解传统方法中数据训练量大和计算成本高的局限性。在两个具有不同采样率的公开 EEG 数据集上的实验结果表明，BIG 模型实现了超过 89% 的分类准确率，与最先进的方法相当，同时计算成本比基线 EEGNet 降低了近 11%。结合生成的 EEG 数据进行训练，BIG 模型在小样本模式下展现出具有竞争力的性能。消融研究证实了脉冲注意力模块和混合学习方法所具备的类脑特性。得益于其性能优势与可解释的输出，该 BIG 模型在构建大脑数字孪生方面具有应用潜力。
引用
@article{arxiv.2505.01685,
title = {A brain-inspired generative model for EEG-based cognitive state identification},
author = {Bin Hu and Zhi-Hong Guan},
journal= {arXiv preprint arXiv:2505.01685},
year = {2025}
}