BrainRVQ：基于双域残差向量量化和层次自回归的高保真 EEG 基础模型
信号处理
2026-02-20 v1 机器学习
摘要
开发面向电脑神经图谱 (EEG) 的基础模型仍具有挑战，因为该信号的信噪比较低且存在复杂的时频非平稳性。现有方法常常忽视神经动态中固有的层次潜在结构，导致对细粒度信息的重建次优。本文提出 BrainRVQ，一个在大规模临床 EEG 数据上预训练的通用 EEG 基础模型。与标准遮盖建模不同，BrainRVQ 采用双域残差向量量化 (DD-RVQ) 标记器，将时序波形和光谱模式分离为层次离散代码。我们进一步引入层次自回归预训练目标，通过一种以重要性引导的课程遮盖策略学习这些代码的粗到细重建，优先处理信息丰富的神经事件而非背景噪声。广泛的实验在 8 个多样化下游数据集上表明，BrainRVQ 在各项指标上一致优于最先进的基准，验证了其在学习鲁健和可泛化神经表征方面的有效性。我们的代码和模型权重均已公开：https://github.com/keqicmz/BrainRVQ
引用
@article{arxiv.2602.16951,
title = {BrainRVQ: A High-Fidelity EEG Foundation Model via Dual-Domain Residual Quantization and Hierarchical Autoregression},
author = {Mingzhe Cui and Tao Chen and Yang Jiao and Yiqin Wang and Lei Xie and Yi Pan and Luca Mainardi},
journal= {arXiv preprint arXiv:2602.16951},
year = {2026}
}