SpecMoE：基于谱混合专家的跨物种 EEG 解码基座模型
机器学习
2026-03-31 v2 人工智能
人机交互
摘要
解码脑电信号（EEG）中神经活动的编排是连接神经科学与人工智能的核心挑战。基座模型在通用 EEG 解码方面取得了进展，但许多现有框架主要依赖对原始信号在自监督预训练期间进行独立的时域和频域掩码。此类策略往往倾向于偏向高频振荡，因为低频节律模式可从未掩码信号中轻易推断。我们引入一种基座模型，采用应用于短时傅里叶变换（STFT）图的高斯平滑掩码方案。通过同时应用时间、频率和时频高斯掩码，我们使重建任务更具挑战性，迫使模型学习跨高频和低频领域的复杂神经模式。为有效恢复在此激进掩码策略下的信号，我们设计了 SpecHi-Net，这是一个具有多个编码和解码阶段的 U 型层次结构。为加速大规模预训练，我们将数据划分为三个子集，每个子集用于训练独立的专家模型。我们随后通过受学习谱门控机制指导的 SpecMoE 混合专家框架整合这些模型。SpecMoE 在多样化的 EEG 解码任务上实现了领先性能，包括睡眠分期、情感识别、运动意象分类、异常信号检测和药物效应预测。重要的是，该模型在人和小鼠 EEG 数据集上都表现出强大的跨物种和跨主体泛化，保持高准确率。
引用
@article{arxiv.2603.16739,
title = {SpecMoE: Spectral Mixture-of-Experts Foundation Model for Cross-Species EEG Decoding},
author = {Davy Darankoum and Chloé Habermacher and Julien Volle and Sergei Grudinin},
journal= {arXiv preprint arXiv:2603.16739},
year = {2026}
}
备注
34 pages (12 pages in the main text and 22 pages in Supplementary Information)