NeuroShield：用于脑电图验证的设备无关基础模型

arXiv:2606.20673v1 公告类型：新 摘要：脑电图验证的一个核心挑战是模型通常与训练它们的采集设置相关联。特别是，耳机硬件、通道布局和信号持续时间的变化会产生现有模型无法处理的异构录音，从而导致每个新耳机或数据集被视为单独的模型开发问题。这种碎片化限制了多数据集学习，阻碍了知识转移，并降低了模型的可重用性。为了解决这一限制，我们提出了 NeuroShield，这是一种用于脑电图身份验证的可重复使用的基础模型，它通过双级变压器架构从可变通道和可变长度脑电图记录中学习身份歧视嵌入。我们在三个公共脑电图数据集（包括 15{,}762 个受试者和 28{,}116 个会话）上对 NeuroShield 进行预训练，并在两个未见过的下游数据集上评估传输。我们的评估表明，经过微调后，NeuroShield 相对于现有技术将等错误率降低了 0.44--8.06 个百分点。 NeuroShield 进一步推广到比训练期间看到的片段更长的片段，并跨预训练期间未遇到的通道布局进行操作。这些结果使 NeuroShield 成为跨异构记录设置的可重复使用且适应性强的脑电图身份编码器。我们将 NeuroShield 作为开源发布，以支持可重复性和社区采用。