几何与关系感知的 EEG 超分辨扩散模型
机器学习
2026-02-03 v1 人工智能
摘要
近期的脑电图 (EEG) 空间超分辨 (SR) 方法虽然通过直接预测可见电极的缺失信号或改造潜在扩散生成模型以适用于时序数据，已展现出改进的生成质量，但往往缺乏对生理学空间结构的感知，从而限制了空间生成性能。为此，我们提出 TopoDiff——一种基于几何与关系感知的扩散模型，用于 EEG 空间超分辨。灵感来自人类专家如何解读空间 EEG 模式，TopoDiff 融合由 EEG 顶图表示派生的拓扑感知图像嵌入，以为空间生成提供全局几何上下文；同时引入动态通道关系图，编码电极间关系并随时序动态演化。该设计构建了具备空间导向性的 EEG 超分辨框架，实现了稳定的性能提升。跨越多个 EEG 数据集（包括用于情感识别的 SEED/SEED-IV、用于运动意象的 PhysioNet MI/MM、用于癫痫检测的 TUSZ），我们的方法在生成保真度和下游 EEG 任务性能上均实现了显著提升。
引用
@article{arxiv.2602.02238,
title = {Geometry- and Relation-Aware Diffusion for EEG Super-Resolution},
author = {Laura Yao and Gengwei Zhang and Moajjem Chowdhury and Yunmei Liu and Tianlong Chen},
journal= {arXiv preprint arXiv:2602.02238},
year = {2026}
}