基于重构的 EEG 基础模型中的非周期性和低频谱偏置
机器学习
2026-05-27 v1 人工智能
摘要
EEG 基础模型已成为学习通用 EEG 表示的有前景的方向。尽管在数据丰富的情景下显示出积极结果，但它们常常在低资源情景下不显著优于更小的监督模型。我们提供了对这一短coming 的机制性解释，将其归因于基于重构的预文本任务与 EEG 信号独特的谱系结构之间的根本性不匹配——该结构分解为高功率非周期性和低功率振荡性成分。使用受控的人工生成 EEG 输入，我们演示 EEG 基础模型嵌入偏向捕捉 EEG 信号的非周期性成分，同时在表示振荡性成分方面存在不足，尤其是高频振荡性成分。此外，对真实世界 BCI 数据集上的线性探针评估进一步揭示，嵌入对主体身份的编码强于任务相关信息，从而强化了主要基于重构的目标训练的基础模型嵌入中低频和非周期性成分的偏置。总体而言，这些发现阐明了基于重构的 EEG 基础模型中的一种失效模式，激励未来工作通过纳入显式针对高频振荡结构的辅助损失，以通向更具能力和通用性的 EEG 表示。
引用
@article{arxiv.2605.26434,
title = {Aperiodic and Low-Frequency Spectral Bias in Reconstruction based EEG Foundation Models},
author = {Aditya Kommineni and Emily Zhou and Kleanthis Avramidis and Simon Bock Segaard and Jeppe Roden Münster and Andreas Peter Juhl Hansen and Takfarinas Medani and Tiantian Feng and Richard Leahy and Shrikanth Narayanan},
journal= {arXiv preprint arXiv:2605.26434},
year = {2026}
}
备注
18 pages, 13 figures, 3 tables