用于 BCI 的 EEG 基础模型学习电生理学的多样特征
神经元与认知
2025-06-03 v1 信号处理
摘要
脑机接口研究以及神经科学领域中日益增多的部分，已成功地将大规模人工智能预训练方法与海量公开数据存储库相结合。这种使用无标签、自监督目标预训练基础模型的方法，为学习神经生理学的稳健表示提供了潜力，有望解决神经解码领域长期存在的挑战。然而迄今为止，此类工作大多明确聚焦于标准 BCI 基准和任务，这可能忽略了这些强大方法可能学习到的关于大脑功能的大量特征以及其他电生理信息。我们引入了一种新的自监督 BCI 基础模型预训练方法，该方法受最初为语音处理开发的 HuBERT 框架改造而来的基于 transformer 的方法启发，用于 EEG。我们的流程专门针对低配置、实时使用场景，涉及最少预处理的数据和头皮上仅八个 EEG 通道。我们表明，我们的基础模型学习到的 EEG 表示不仅支持标准 BCI 任务（P300、运动想象），而且该模型还能学习到与个体差异相关的神经数据特征以及其他显著电生理成分（例如 alpha 节律）。除了描述和评估一种预训练 BCI 模型和神经解码的新方法外，这项工作还拓宽了结合强大 AI 方法的神经数据可能存在的任务和用例的视野。
引用
@article{arxiv.2506.01867,
title = {EEG Foundation Models for BCI Learn Diverse Features of Electrophysiology},
author = {Mattson Ogg and Rahul Hingorani and Diego Luna and Griffin W. Milsap and William G. Coon and Clara A. Scholl},
journal= {arXiv preprint arXiv:2506.01867},
year = {2025}
}
备注
Two figures, one table, six pages