新的多模态脑电图基础模型在癫痫检测方面达到最先进水平

研究人员开发了一种用于脑电图（EEG）数据的多模态基础模型，旨在提高癫痫检测的可泛化性。该模型在一个共享的嵌入空间中集成了基于Mamba的原始信号编码器、用于时频数据的Vision Transformer以及文本编码器。利用掩码建模和对比度对齐等技术，该模型在没有标记数据的情况下学习丰富的表示。在CHB-MIT基准数据集上进行微调后，该模型在单一模型上达到了0.874的最佳AUROC分数，在集成模型上达到了0.878的最佳AUROC分数，展示了强大的癫痫检测能力和适应新场景的能力。 AI

影响 这种多模态方法可能为检测神经系统疾病提供更具泛化性和鲁棒性的脑电图分析工具。

排序理由 该集群描述了一篇新的研究论文，详细介绍了一种用于脑电图表示学习的新型多模态基础模型及其在基准数据集上的性能。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• CHB-MIT
• Mamba
• vision transformer

• 论文
• 模型发布
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →