THD-BAR：面向 EEG 通用表示的拓扑层次衍生脑自回归建模
信号处理
2025-11-19 v1 机器学习
神经元与认知
摘要
大规模预训练模型在学习通用 EEG 表示方面具有巨大潜力。然而，大多数现有方法，特别是自回归（AR）框架，主要依赖于多通道 EEG 数据的简单时间序列化，这未能捕捉到 EEG 信号固有的丰富生理特性。此外，它们以时间为中心的建模方法也限制了对大脑活动动态空间拓扑的有效表示。为应对这些挑战并充分挖掘大规模 EEG 模型的潜力，我们提出了一种新颖的拓扑层次衍生脑自回归建模（THD-BAR），用于 EEG 通用表示。THD-BAR 的核心创新在于引入了脑拓扑层次（BTH），它为 EEG 通道建立了一个多尺度空间顺序。这种层次结构能够将自回归学习重新定义为“下一个尺度-时间预测”问题，有效捕捉空间和时间动态。基于 BTH，我们设计了一个拓扑层次向量量化变分自编码器（THVQ-VAE）用于多尺度分词，并开发了一个增强的脑自回归（BAR）模块，该模块具有专门的掩码策略用于预测。通过在 17 个数据集上进行广泛的大规模预训练，随后在涵盖 5 个不同任务的 10 个下游数据集上进行严格验证，THD-BAR 始终优于现有方法。这些结果突显了我们所提方法优越的泛化和建模能力。
引用
@article{arxiv.2511.13733,
title = {THD-BAR: Topology Hierarchical Derived Brain Autoregressive Modeling for EEG Generic Representations},
author = {Wenchao Yang and Weidong Yan and Wenkang Liu and Yulan Ma and Yang Li},
journal= {arXiv preprint arXiv:2511.13733},
year = {2025}
}