SingLEM：单通道大型脑电模型
机器学习
2025-09-23 v1
摘要
当前用于脑电图（EEG）的深度学习模型往往具有任务特定性，且依赖大量标记数据，这限制了其适应性。尽管初步出现的基础模型旨实现更广泛的适用性，但其对固定高密度多通道布局的刚性依赖，限制了其在异构数据集以及缺失通道或实际低通道设置下的使用。为此，我们引入SingLEM，一种从单通道EEG中学习健壮、通用表征的自监督基础模型，使其对硬件环境天然具有不可知性。该模型采用混合编码器架构，将卷积层用于提取局部特征，结合层次化Transformer以建模短程与长程时序依赖。SingLEM在71个公开数据集上进行预训练，涵盖超过9200名受试者和35.7万小时的单通道EEG数据。当作为固定特征提取器在六个运动想象和认知任务上进行评估时，聚合的单通道表征始终优于领先的多通道基础模型和手工特征基线。这些结果表明，单通道方法能够实现最先进的泛化能力，同时实现细粒度的神经生理学分析，提高可解释性。源代码和预训练模型已提供于https://github.com/ttlabtuat/SingLEM。
引用
@article{arxiv.2509.17920,
title = {SingLEM: Single-Channel Large EEG Model},
author = {Jamiyan Sukhbaatar and Satoshi Imamura and Ibuki Inoue and Shoya Murakami and Kazi Mahmudul Hassan and Seungwoo Han and Ingon Chanpornpakdi and Toshihisa Tanaka},
journal= {arXiv preprint arXiv:2509.17920},
year = {2025}
}