KAST-BAR：面向通用神经解码的知识锚定语义动态拓扑脑自回归建模
机器学习
2026-05-14 v1 信号处理
摘要
尽管EEG基础模型在跨任务的通用神经解码方面显示出巨大的潜力，但其发展仍受限于对复杂时空拓扑结构建模不足，以及低层生理信号与高层文本语义之间固有的模态鸿沟。为此，我们提出了知识锚定语义动态拓扑脑自回归模型（KAST-BAR），其动态地将来自多层脑拓扑结构的生理表征与专家级语义空间对齐。具体而言，我们设计了双流层次注意编码器，通过建模局部时间动力学与全局空间语境，准确捕获脑部固有非欧几里得拓扑结构。在此基础上，提出了知识锚定语义分析器（KASP），用于合成基于物理的、基于实例的文本轮廓，随后驱动语义文本感知细化器（STAR）通过潜在专家查询动态重构EEG表征。通过在21个多样化数据集上进行大规模预训练构建基础模型，KAST-BAR有效地将专家级医学知识整合到EEG信号表征中，始终在六个下游任务中实现卓越性能。我们的代码已公开于https://github.com/KAST-BAR/KAST-BAR
引用
@article{arxiv.2605.13133,
title = {KAST-BAR: Knowledge-Anchored Semantically-Dynamic Topology Brain Autoregressive Modeling for Universal Neural Interpretation},
author = {Haoning Wang and Wenchao Yang and Shuai Shen and Yang Li},
journal= {arXiv preprint arXiv:2605.13133},
year = {2026}
}