GEFM:图形增强的EEG基础模型

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 电脑电图 (EEG) 信号对于疾病诊断和医疗保健至关重要.
• 标记EEG数据的稀缺性是开发有效诊断工具的一个主要限制.
• 在大型未标记数据集上预训练的基础模型为各种EEG任务提供了解决方案.

研究的目的:

• 开发一种新的EEG基础模型,将时间动态和道间关系整合在一起.
• 解决现有的EEG基础模型的局限性,这些模型主要侧重于时间信息.
• 在各种下游任务中提高EEG分析的性能.

主要方法:

• 提出了图形增强的EEG基础模型 (GEFM) 架构.
• 集成图形神经网络 (GNN) 来捕捉EEG通道之间的关系结构.
• 采用蒙面自动编码器,以对大规模未标记的EEG数据进行高效的预训练.
• 使用三个下游任务评估了GEFM,并比较了包括GCN在内的各种GNN架构.

主要成果:

• 在所有评估的下游任务中,GEFM的表现始终优于基线方法.
• 在GEFM内部的GCN架构,具有优化的配置,表现特别强.
• 在EEG分析中,将道间的关系与时间动态相结合证明是有益的.

结论:

• 拟议的GEFM作为EEG分析的坚实基础模型.
• 纳入道间关系对于推进EEG基础模型至关重要.
• GEFM提供了一种有希望的方法来克服数据稀缺,并改进基于EEG的医疗保健应用程序.