TRACE：用于脑电图表示学习的自回归跨通道专家时序路由
机器学习
2026-05-13 v1 人工智能
摘要
学习脑电图（EEG）的可迁移表示仍然具有挑战性，因为EEG信号本质上是多通道和非平稳的。同一时间观测到的通道提供了神经活动的耦合测量，而相关的时序动态则因情境而异。这种结构与那些在时间上应用统一计算或独立路由每个通道补丁的架构不匹配。为此，我们提出了TRACE，一个自回归的EEG预训练框架，它在执行时序自适应和跨通道相干计算的同时，从因果上下文预测未来的EEG补丁。在每个时间步，TRACE从因果跨通道历史中导出一个专家路由决策，并将其联合应用于该步的所有通道。这保留了瞬时的跨通道相干性，同时允许不同的时序机制激活不同的计算。由于路由是基于可用的通道集和因果时序上下文定义的，TRACE兼容于具有不同通道数、导联组合、序列长度和记录域的异构预训练语料库。在八个下游EEG基准测试中，TRACE在两种设置下进行了评估：当下游领域仅作为无标签预训练数据出现时，以及当下游数据集在预训练期间完全不可见时。它在多个基准测试上取得了最佳结果，同时在运动想象和临床事件分类任务上保持竞争力，消融实验支持了跨通道时序路由的重要性。
引用
@article{arxiv.2605.11380,
title = {TRACE: Temporal Routing with Autoregressive Cross-channel Experts for EEG Representation Learning},
author = {Fan Ma and Qier An and Peng Chen and Lingfei Qian and Xiang Lan and Mingyang Jiang and Zhiling Gu and Xenophon Papademetris and Hua Xu},
journal= {arXiv preprint arXiv:2605.11380},
year = {2026}
}