arXiv cs.LG + cs.RO + cs.HC· Kleanthis Avramidis, Ivan Tashev, Dimitra Emmanouilidou·· 5 小时前精选AI 评分60
BrainCodes：基于离散神经编码的轻量 EEG 基础模型
BrainCodes: A Lightweight EEG Foundation Model over Discrete Neural Codes
AI 导读
作者提出 BrainCodes，一个在超过 800 小时、1000 余名受试者记录上自监督预训练的轻量 EEG 基础模型。该模型结合量化神经分词器与支持任意电极配置的时空编码器，在睡眠分期、注意力评估和认知负荷估计等任务上达到或超过现有水平，可训练参数最多减少 97%。
推荐理由
论文给出 800 小时预训练数据和可训练参数减少 97% 的对比，读者可据此判断轻量 EEG 基础模型的落地空间。
正文 · AI 翻译
摘要：近期的脑电图（EEG）基础模型日益强调模型规模，这可能限制其在资源受限设备和日常环境中的部署。我们认为，可迁移的 EEG 特征反而可以通过紧凑架构学习得到，并据此提出 BrainCodes——一个轻量级基础模型，基于来自 1,000 多名参与者、总时长超过 800 小时的记录，通过自监督学习进行预训练。我们的架构将基于量化的神经分词器与支持任意电极配置的时空编码器相结合。预训练目标通过通道位置编码显式鼓励表示捕获空间连通性，并通过辅助训练目标鼓励表示对窄带神经振荡的敏感性。我们的模型在包括睡眠分期、注意力评估和认知负荷估计在内的多种神经生理监测任务上达到或超越了当前最先进水平。BrainCodes 能有效迁移到低资源可穿戴设备，同时相比同类架构最多可减少 97% 的可训练参数。除预测准确性外，我们的评估框架还刻画了所学 EEG 表示在可测量的空间、时间和频谱信号属性上的几何结构与不变性。
| 评论： | 预印本。审稿中 |
| 主题： | 机器学习（cs.LG）；神经与进化计算（cs.NE） |
| 引用为： | arXiv:2610.29320 [cs.LG] |
| （或本版本的 arXiv:2610.29320v1 [cs.LG]） | |
| https://doi.org/10.48550/arXiv.2610.29320 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Kleanthis Avramidis [查看邮箱]
[v1]
2026年10月21日星期三 07:22:14 UTC（2,992 KB）
来源：arXiv cs.LG + cs.RO + cs.HC · arxiv.org