让 EEG 模型学习 EEG
计算机视觉与模式识别
2026-05-21 v1
摘要
高保真 EEG 生成对于缓解数据稀缺性和解决大规模神经建模中的隐私约束至关重要。尽管近期取得了进展，但大多数现有方法通过离散去噪目标来表述 EEG 生成，这不足以反映神经活动的本质连续时间动力学和谱结构。结果是，这些方法往往难以保持长程时间依赖性，且在生成信号的谱和时间结构上存在不匹配。在本工作中，我们认为有效的 EEG 生成需要直接作用于神经信号连续演化的模型。我们引入了基于条件流匹配的生成框架 Just EEG Transformer (JET)，将 EEG 建模为沿连续轨迹演化的原始序列。通过学习将噪声传输到 EEG 数据分布的平滑向量场，JET 在不依赖离散去噪方案或领域特定表示的情况下捕获时间连续性和瞬态动力学。为确保所学习的动力学与 EEG 信号的关键属性保持一致，我们引入了原则性约束，以保持谱结构、时间平稳性和信号层次统计特性。跨越三个大规模基准，JET 始终实现了最佳性能，较强基线将 TS-FID 降低超过 40%。广泛的分析表明，JET 捕获了神经动力学的关键结构特征，为 EEG 生成提供了可扩展且原则化的方案。项目页面: https://y-research-sbu.github.io/JET/。
引用
@article{arxiv.2605.21280,
title = {Let EEG Models Learn EEG},
author = {Yifan Wang and Yijia Ma and Wen Li and Chenyu You},
journal= {arXiv preprint arXiv:2605.21280},
year = {2026}
}
备注
Accepted by ICML 2026