基于多尺度跨注意力 Transformer 的跨主体脑内 EEG 恢复
信号处理
2026-05-20 v1 人工智能
机器学习
摘要
脑内 EEG（iEEG）提供高保真的神经记录，对临床和脑机接口应用至关重要，但获取这些信号需要侵入性手术。虽然近期研究尝试从非侵入性头皮 EEG 估计 iEEG，但大多数依赖于患者特定模型，形成循环依赖：若需手术收集训练数据，非侵入模型的实际效用有限。本研究针对跨主体 iEEG 恢复问题，提出通过在其他个体上训练的模型来预测不可见患者的脑内信号。我们提出了 CAST（Cross-Attention Spatial-Temporal Transformer），一种机器学习框架，将头皮 EEG 转换为多通道 iEEG 波形，采用两阶段迁移学习策略。首先，时间编码器提取三个不同分辨率下的多尺度神经表征。然后，由于电极布局在不同患者间差异很大，通道感知解码器仅需来自目标主体的几分钟数据即可校准。我们采用留出-主体交叉验证在两个公开数据集上评估了所提方法，数据集包含 1,282 个 iEEG 通道。实验结果表明，CAST 在恢复靠近头皮表面的皮层信号方面显著优于深部皮质活动。在高度可观测的传感运动区域，模型在前庭囊达到最高相关系数 r=0.864。此外，基于通道选择策略，CAST 在可行主体上的平均相关系数达到 r=0.545，优于以前的主体基线方法。这些发现表明，无需在不可见主体上进行大量患者特定训练，即可从头皮 EEG 恢复皮层 iEEG 信号，且仅需简短的校准阶段即可适应新的硬件配置。
关键词
引用
@article{arxiv.2605.18897,
title = {Cross-Subject Intracranial EEG Reconstruction from Scalp Recordings Using Multi-Scale Cross-Attention Transformers},
author = {Tien-Dat Pham and Xuan-The Tran},
journal= {arXiv preprint arXiv:2605.18897},
year = {2026}
}