arXiv cs.LG + cs.RO + cs.HC· Yi Ding, Muyun Jiang, Weibang Jiang, Shuailei Zhang, Xinliang Zhou, Chenyu Liu, Shanglin Li, Yong Li, Cuntai Guan·· 5 小时前精选AI 评分60
BrainPro：按实验范式条件化预训练的大规模 EEG 模型
BrainPro: Process-conditioned Pretraining with Topographic Retrieval for Large EEG Models
AI 导读
研究团队提出 BrainPro，一个将电极布局映射到统一通道-脑区模板、并按实验范式线索条件化分支激活与掩码重建的 EEG 自监督预训练框架。该方法在 9 个公开 BCI 基准上取得较强表现，消融与通道缺失分析显示地形检索与过程条件化表示学习共同提升解码效果。论文已被 NeurIPS 2026 接收，代码已公开。
推荐理由
论文提出按实验范式条件化的 EEG 预训练框架，并在 9 个公开 BCI 基准上做了对比与消融，可供关注 EEG 大模型路线的人参考。
正文 · AI 翻译
摘要：EEG 基础模型在异构语料上预训练，但有两个挑战仍未得到充分探索：(1) 实验方案提供了心理过程线索，而这些线索在掩码预训练中很少被使用；(2) 电极导联组合在不同数据集间存在差异，使得空间表征依赖于导联组合。现有方法通常学习单一通用表征并隐式建模空间结构，限制了其在导联组合异质性下利用过程相关信息的能力。我们提出 BrainPro，一个以过程为条件的自监督预训练框架，将拓扑检索与共享表征及过程关联表征学习相结合。BrainPro 将数据集特定的导联组合映射到通用通道-区域模板，并检索通道级和区域级空间滤波器，以形成拓扑对齐的空间基。在该基上，BrainPro 学习一个用于通用 EEG 结构的共享编码器，以及额外的情感、运动相关和辅助残差分支，用于过程关联的变异。由实验方案衍生的心理过程线索对分支激活和区域加权掩码重建进行条件化，融入拓扑空间先验和过程信息。在九个公开 BCI 基准上，BrainPro 在评估的基线中取得了强劲性能。消融实验、通道丢弃分析、编码器配置研究和空间滤波器可视化表明，拓扑检索和以过程为条件的表征学习共同提升了 EEG 解码。我们的代码可在 此 https URL 获取。
| 评论： | 被 NeurIPS 2026 接收 |
| 主题： | 机器学习 (cs.LG) |
| 引用为： | arXiv:2509.22050 [cs.LG] |
| （或 arXiv:2509.22050v3 [cs.LG] 为此版本） | |
| https://doi.org/10.48550/arXiv.2509.22050 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Yi Ding [查看邮箱]
[v1]
2025年9月26日星期五 08:34:04 UTC (4,479 KB)
[v2]
2026年6月11日星期四 15:32:52 UTC (5,006 KB)
[v3]
2026年10月21日星期三 09:39:44 UTC (4,886 KB)
来源：arXiv cs.LG + cs.RO + cs.HC · arxiv.org