EEGChaT：基于 Transformer 的模块化 SEEG 通道选择器
机器学习
2025-10-16 v1
摘要
分析立体脑电图 (SEEG) 信号对于脑机接口 (BCI) 应用和神经科学研究至关重要，但由于输入通道数量大且其相关性异质，面临着显著挑战。传统的通道选择方法在可扩展性和为 SEEG 数据提供有意义可解释性方面难以克服。本文提出了 EEGChaT，一种新颖的基于 Transformer 的通道选择模块，用于自动识别 SEEG 记录中最具任务相关性的通道。EEGChaT 引入通道聚合标记 (CATs) 用于跨通道聚合信息，并利用改进注意力扩散技术计算可解释的、定量的通道重要性分数。我们在 DuIN 数据集上对 EEGChaT 进行评估，结果表明，将 EEGChaT 与现有分类模型集成可持续提高解码准确率，最高可实现 17% 的绝对提升。此外，EEGChaT 生成的通道权重与手动选择的通道具有显著重叠，支持了该方法的可解释性。我们的结果表明，EEGChaT 是一种有效且通用的 SEEG 高维分析中的通道选择解决方案，既提供了性能提升，也为神经信号相关性提供了见解。
关键词
引用
@article{arxiv.2510.13592,
title = {EEGChaT: A Transformer-Based Modular Channel Selector for SEEG Analysis},
author = {Chen Wang and Yansen Wang and Dongqi Han and Zilong Wang and Dongsheng Li},
journal= {arXiv preprint arXiv:2510.13592},
year = {2025}
}