思维原子：基于微状态的通用脑电图表示学习
机器学习
2026-05-20 v1 人工智能
摘要
从脑电图（EEG）信号中学习通用表示是神经信息学与脑机接口（BCI）领域的前沿方法。传统上，EEG 被视为多变量时间信号，通过提取时域或频域特征进行表示学习。本文研究了一种简单而有效的 EEG 表示——微状态。微状态代表了微观时间尺度上大脑活动模式的基本构建块。我们利用一个大型医学 EEG 数据集，通过将连续 EEG 信号聚类为离散微状态序列，构建了一个通用微状态分词器。该微状态分词器随后被统一应用于一系列下游任务，包括睡眠分期、情绪识别和运动想象分类。实验结果表明，在不同模型和不同任务下，基于微状态的 EEG 表示学习均优于传统的时域和频域特征。进一步分析表明，微状态提供了更强的可解释性和可扩展性，从而为认知神经科学和临床研究开辟了新的应用。
引用
@article{arxiv.2605.20182,
title = {Atoms of Thought: Universal EEG Representation Learning with Microstates},
author = {Xinyang Tian and Ruitao Liu and Ziyi Ye and Siyang Xue and Xin Wang and Xuesong Chen},
journal= {arXiv preprint arXiv:2605.20182},
year = {2026}
}
备注
Accepted by the 3rd International Workshop on Multimodal and Responsible Affective Computing (MRAC 2025). 8 pages of main text, 23 pages total, 5 figures, 4 tables