EEG 基础模型：当前进展与未来方向的批判性综述
信号处理
2025-12-25 v3 人工智能
机器学习
神经元与认知
摘要
前提：通过脑电图（EEG）记录的电大脑活动模式对科学和临床调查具有巨大价值。受监督式 EEG 编码器无法学习稳健的 EEG 模式及其对昂贵信号标注的过度依赖，促使向通用自监督 EEG 编码器，即 EEG 基础模型（EEG-FMs），转变，以实现稳健且可扩展的 EEG 特征提取。然而，早期 EEG-FMs 的实际就绪状态以及衡量长期研究进展的标准尚不清晰。目标：本文综述了十个早期 EEG-FMs，以捕捉共同趋势并确定 EEG-FMs 未来发展的关键方向。方法：我们使用基础模型的三个基本支柱，即输入数据表示、自监督建模和评估策略，对每个 EEG-FM 进行比较分析。基于此分析，我们呈现了 EEG-FM 方法论、实证发现及亟待解决的研究空白的批判性综合。结果：我们发现大多数 EEG-FMs 采用基于序列的建模方案，依赖基于转换器的背板和对被遮蔽的时间序列 EEG 重建用于自监督。然而，模型评估仍呈异构且大多受限，使其评估实际即插即用实用性方面颇具挑战。除了采用标准且现实的评估，未来工作还应展示更大的规模效应，并在 EEG 表示学习管道中作出原则且可信的选择。意义：我们的综述表明，开发基准、软件工具、技术方法论以及与领域专家合作的应用，可能推动 EEG-FMs 的转化实用性和实际采纳。
引用
@article{arxiv.2507.11783,
title = {EEG Foundation Models: A Critical Review of Current Progress and Future Directions},
author = {Gayal Kuruppu and Neeraj Wagh and Vaclav Kremen and Sandipan Pati and Gregory Worrell and Yogatheesan Varatharajah},
journal= {arXiv preprint arXiv:2507.11783},
year = {2025}
}
备注
22 pages (main), 5 figures (main), 4 tables (main + supplement)