MAGE：迈向可推广的多时间尺度脑电图表示

摘要

arXiv:2611.09928v1 Announce Type: new Abstract: Electroencephalography (EEG) data plays an important role in understanding human brain activity, with various major applications. While current approach...

EEG across and that foundation temporal MAGE timescale the which

2026-11-10 1 阅读约1分钟阅读 Tuan-Kiet Doan, Van-Chien Nguyen, Trung-Hieu Tran, Quang-Hung Pham, Ngoc-Son Vu, Huy Phan, Phi Le Nguyen, Duc-Han Le, Nikola Simidjievski, Van-Tam Nguyen

arXiv:2611.09928v1 公告类型：新摘要：脑电图 (EEG) 数据在理解人类大脑活动方面发挥着重要作用，具有各种主要应用。虽然当前的方法主要建立在脑电图基础模型的基础上，在数据集和任务中表现出了强大的性能，但它们通常依赖于固定的时间尺度。这种设计选择限制了他们捕获神经动态行为特征的能力，这些特征通常跨越多个时间尺度，而这些特征是在脑电图记录中自然捕获的。为了解决这个限制，我们提出了 MAGE（\textbf{脑电图多时间尺度自适应概括}），这是一种动态适应捕获和集成不同时间尺度信息的基础模型。具体来说，MAGE 结合了两个关键机制：（i）一种新颖的多时间尺度注意力机制，能够学习跨多个时间尺度的表示；（ii）可训练的聚合模块，可以动态识别并适应输入信号信息最丰富的时间尺度。七个数据集的实验结果表明，MAGE 始终优于现有的 EEG 基础模型，同时使用的参数少得多。此外，我们的结果支持这样的假设：不同的下游任务受益于不同的时间尺度。所有源代码将被发布。

订阅66必读