B[FM]$^2$：通过与 SplitUNet 进行流匹配的大脑基础模型

arXiv:2606.20812v1 公告类型：新 摘要：脑电图基础模型可以从大规模脑电图语料库中学习可概括的表示，从而实现跨不同临床和脑机接口任务的单骨干传输。现有模型通常将连续的多通道脑电图波形离散化为补丁或码本标记，并训练具有屏蔽自我监督的变压器。认识到这种离散化会破坏连续的大脑节律并掩盖细粒度的时间动态，我们提出了 B[FM]$^2$（通过流匹配的大脑基础模型），其归纳偏差通过使用连续时间流匹配直接在原始信号上进行预训练而与数据对齐，无需补丁、标记化或掩蔽。然而，多通道 EEG 信号对流量匹配提出了架构挑战：时间采样密集且高度自相关（数千个时间点），而不同头皮位置的电极轴很短（数十个通道）。为了解决这种时间电极不对称性，我们引入了 SplitUNet，这是一种速度网络，它将每个块分解为单独的一维时间和一维电极卷积，并仅沿时间进行下采样，从而在整个层次结构中保留电极拓扑。 B[FM]$^2$ 在 9 个标准下游 EEG 分类任务中的 7 个上设置了新的技术水平，仅使用 36,895 个片段（$\approx$ 307h）的预训练预算，比现有 EEG 基础模型所需的少 1-2 个数量级（$\approx$ 30x）。此外，它生成合成脑电图，两名经过委员会认证的神经学家无法将其与大脑数据区分开来（科恩的 $\kappa =$ -0.096）。 https://jd730.github.io/projects/BFM2