基于空间-功能感知Transformer图原型对比学习的EEG视觉神经表征解码
人工智能
2025-10-10 v2 机器学习
摘要
由于脑电图(EEG)信号具有高维、含噪且非欧几里得的性质，从中解码视觉神经表征仍然是一个艰巨的挑战。在这项工作中，我们提出了一种基于空间-功能感知Transformer的图原型对比学习(SFTG)框架，以增强基于EEG的视觉解码。具体而言，我们引入了EEG Graph Transformer (EGT)，这是一种新颖的基于图的神经架构，可同时编码空间大脑连接性和时间神经动力学。为了缓解被试内的高度变异性，我们提出了图原型对比学习(GAC)，该方法学习特定于被试的EEG图原型，以提高特征一致性和类别可分性。此外，我们在Things-EEG数据集上进行了全面的被试依赖和被试独立评估，证明我们的方法显著优于先前最先进的EEG解码方法。结果突出了将基于图的学习与对比目标相集成以增强基于EEG的大脑解码的变革潜力，为更具泛化性和鲁棒性的神经表征铺平了道路。
引用
@article{arxiv.2509.24761,
title = {Spatial-Functional awareness Transformer-based graph archetype contrastive learning for Decoding Visual Neural Representations from EEG},
author = {Yueming Sun and Long Yang},
journal= {arXiv preprint arXiv:2509.24761},
year = {2025}
}