EEG基础模型综述：数据集、进展与未来展望
机器学习
2025-09-23 v2 人工智能
信号处理
摘要
脑电图（EEG）信号在理解脑活动和诊断神经疾病方面发挥着关键作用。由于监督式EEG编码器无法学习鲁棒的EEG模式且过度依赖昂贵的信号标注，研究者转向通用自监督EEG编码器，即基于EEG的模型（EEG-FMs），以实现鲁棒且可扩展的EEG特征提取。然而，早期EEG-FMs的实际应用就绪状态以及长期研究进展的标准尚不明确。因此，有必要对首次生成的EEG-FMs进行系统而全面的综述，以理解其当前的最佳状态并确定未来EEG-FMs的关键方向。为此，本研究综述了14个早期EEG-FMs，并对其方法、实证发现以及未被 addresses 的研究空白进行批判性、全面的分析。本综述聚焦于最新发展的EEG-based模型（EEG-FMs），这些模型已显示出处理和分析EEG数据的巨大潜力。我们讨论了各种EEG-FMs，包括它们的架构、预训练策略、预训练和下游数据集以及其他细节。本综述还概述了该领域的挑战和未来方向，旨在为关注EEG分析及相关EEG-FM的研究者和实践者提供全面概览。
引用
@article{arxiv.2504.20069,
title = {A Simple Review of EEG Foundation Models: Datasets, Advancements and Future Perspectives},
author = {Junhong Lai and Jiyu Wei and Lin Yao and Yueming Wang},
journal= {arXiv preprint arXiv:2504.20069},
year = {2025}
}