LUNA：面向EEG信号分析的高效且拓扑无关性基础模型
机器学习
2025-10-28 v1 人工智能
摘要
脑电图（EEG）提供了对人类脑活动的非侵入性视角，但受限于拓扑异构性：每个公共EEG数据定义其自身的电极布局，限制了模型的泛化能力。我们引入LUNA（Latent Unified Network Architecture），一种自监督基础模型，通过学习查询和跨注意力机制将多电极EEG压缩为固定大小的、拓扑无关的潜在空间，从而实现线性规模——而非二次规模——随电极数量的扩展。下游变换器块随后仅 operate on此潜在表示，使用基于patch的时序自注意力，使计算与电极数量解耦。该模型基于TUEG和Siena数据进行预训练，涵盖超过21,000小时的原始EEG数据，覆盖多种电极布局，采用掩码patch重建目标进行训练。LUNA能够有效迁移到四个下游任务：异常检测、伪影消除、减慢分类和情感识别。在多个基准测试中表现出竞争力， 在TUAR和TUSL上实现最先进的结果，例如在TUAR上达到0.921的AUROC，同时将FLOPs降低300倍，将GPU内存使用降低最高可达10倍。这些收益在所有评估的电极配置下均保持一致。代码已公开于https://github.com/pulp-bio/BioFoundation
引用
@article{arxiv.2510.22257,
title = {LUNA: Efficient and Topology-Agnostic Foundation Model for EEG Signal Analysis},
author = {Berkay Döner and Thorir Mar Ingolfsson and Luca Benini and Yawei Li},
journal= {arXiv preprint arXiv:2510.22257},
year = {2025}
}
备注
NeurIPS camera-ready version, 27 pages, 10 figures, 13 tables