基础模型用于EEG解码:目前的进展和未来的研究成果

科学领域:

• 神经科学和人工智能 人工智能
• 大脑与计算机的接口.
• 机器学习用于神经成像.

背景情况:

• 传统的脑电图 (EEG) 解码方法在任务特异性和数据集依赖性方面存在局限性.
• 深度学习越来越多地应用于EEG解码,但监督方法限制了模型的泛化.
• 灵感来自大型语言模型的EEG基础模型 (EEG FMs),为EEG解码提供了一个统一的范式.

研究的目的:

• 审查对EEG基础模型 (EEG FMs) 的代表性研究.
• 提取EEG FM开发和应用中的趋势.
• 为未来的EEG FM研究提供建议.

主要方法:

• 对EEG FMs近期进展的全面分析.
• 专注于下游任务,基准数据集,模型架构和预培训技术.
• 核心FM组件,性能和通用性的系统比较.

主要成果:

• EEG FM在大型数据集 (最多14987名受试者,27062小时) 上进行了预训练.
• 基于面具的重建和基于变压器的架构是常见的预训练策略.
• EEG FM显示在发作检测方面有潜力,但在复杂的任务 (如运动图像解码) 中性能有限.

结论:

• EEG FM代表了EEG解码的重大进步,提供了更好的泛化.
• 目前存在的局限性,特别是在复杂的认知任务.
• 需要进一步的研究来增强EEG FM的能力,并应对当前的挑战.