DARE-EEG：挖掘 EEG 双重对齐表示的基础模型
人工智能
2026-05-19 v1 人机交互
机器学习
摘要
通过在大规模 EEG 数据上进行掩码重建预训练的基础模型，已成为在各类脑机接口应用中学习可泛化神经表征的有前景的范式。然而，一个关键但被忽视的挑战是，EEG 编码器必须学习对不完整观测保持不变性的表示——当同一信号的不同掩码视图之间重叠极小时，现有方法无法将其约束至一致的潜在子空间，导致迁移性能退化。为解决此问题，我们提出 DARE-EEG，一种在预训练期间通过双重对齐表示学习显式强制掩码不变性的自监督基础模型。具体而言，我们引入掩码对齐，通过对比学习约束来自同一 EEG 样本多个掩码视图的表示；并辅以锚点对齐，将掩码表示与动量更新的完整特征进行对齐以保持语义稳定性。此外，我们提出 conv-linear-probing，一种参数高效策略，通过解耦的频谱-空间投影将预训练表示适配至异构电极配置与采样率。在多个 EEG 基准上的广泛实验表明，DARE-EEG 在精度性能上持续达到 SOTA，同时与现有方法相比，保持了相对较低的参数复杂度与更优的跨数据集可移植性。此外，DARE-EEG 有助于有效发现并利用 EEG 中蕴含的丰富潜在表示。
引用
@article{arxiv.2605.18298,
title = {DARE-EEG: A Foundation Model for Mining Dual-Aligned Representation of EEG},
author = {Yang Shao and Peiliang Gong and Qun Dai and Daoqiang Zhang},
journal= {arXiv preprint arXiv:2605.18298},
year = {2026}
}
备注
22 pages, 10 pages of main text + 12 pages of appendices