CRIA：面向通用 EEG 表示的基于跨视图交互和实例适配的预训练框架
机器学习
2025-06-23 v1 人工智能
摘要
从 EEG 数据中提取深层特征并有效地整合来自不同视角的信息，为开发通用可预训练的 EEG 表示学习框架带来了显著挑战。然而，现有的大多数预训练方法仅依赖单一视角的上下文语义，无法捕捉不同视角之间复杂且协同的相互作用，限制了所学表示的表达力和泛化能力。为此，本文提出 CRIA，一种自适应框架，利用可变长度和可变通道编码实现 EEG 数据在不同数据集之间的统一表示。在本工作中，我们将跨视图信息定义为来自 EEG 信号时间、频谱和空间三个视角相互作用中涌现的集成表示。该模型采用跨注意力机制有效地融合时间、频谱和空间特征，并结合基于信息瓶颈原理的注意力矩阵掩码策略与一种新颖的视角掩码预训练方案。实验在 Temple University EEG 语料库和 CHB-MIT 数据集上进行，结果表明在相同预训练条件下，CRIA 超越了现有方法，实现了多类事件分类的平衡准确率为 57.02%，异常检测为 80.03%，凸显了其强大的泛化能力。
引用
@article{arxiv.2506.16056,
title = {CRIA: A Cross-View Interaction and Instance-Adapted Pre-training Framework for Generalizable EEG Representations},
author = {Puchun Liu and C. L. Philip Chen and Yubin He and Tong Zhang},
journal= {arXiv preprint arXiv:2506.16056},
year = {2025}
}