REVE：面向任意 setup 的 EEG 基础模型——基于 25,000 名受试者的大规模预训练
机器学习
2025-10-27 v1 神经元与认知
摘要
基础模型通过大规模预训练降低对任务特定数据的依赖，已在语言和视觉领域取得成功。然而在 EEG 领域的应用仍滞后，主要由于公开数据集在协议、设备和电极配置方面存在异构性。现有 EEG 基础模型在跨这些差异方面难以泛化，通常仅限于单一 setup 进行预训练，导致性能次优，尤其在线性探索下。我们提出 REVE（Representation for EEG with Versatile Embeddings），即推导跨多样化 EEG 信号的预训练模型。REVE 引入 novel 4D 位置编码方案，使其能够处理任意长度和电极布局的信号。基于掩码自编码目标，我们在涵盖 92 个数据集、25,000 名受试者的 60,000+ 小时 EEG 数据上进行预训练，成为目前规模最大的 EEG 预训练工作。REVE 在 10 项下游 EEG 任务中实现最先进结果，包括运动意象分类、癫痫检测、睡眠分期、认知负荷估计和情感识别。少量甚至无需 fine-tuning，即可展现出强大的泛化能力和细致的时空建模。我们发布代码、预训练权重和教程，以支持标准化的 EEG 研究，加速临床神经科学的进展。
引用
@article{arxiv.2510.21585,
title = {REVE: A Foundation Model for EEG -- Adapting to Any Setup with Large-Scale Pretraining on 25,000 Subjects},
author = {Yassine El Ouahidi and Jonathan Lys and Philipp Thölke and Nicolas Farrugia and Bastien Pasdeloup and Vincent Gripon and Karim Jerbi and Giulia Lioi},
journal= {arXiv preprint arXiv:2510.21585},
year = {2025}
}
备注
Code available at: https://brain-bzh.github.io/reve/