EEG foundation models
PulseAugur coverage of EEG foundation models — every cluster mentioning EEG foundation models across labs, papers, and developer communities, ranked by signal.
-
脑电图基础模型在标准审计下仍泄露数据
研究人员开发了一个新的脑电图基础模型审计框架，该框架超越了单一端点评估。该框架联合审计多个端点，揭示了通过单项测试的模型仍可能泄露光谱属性。一个关键发现是，交叉编码器迁移审计证明了不同冻结编码器之间存在属性泄露，即使是标准的差分隐私随机梯度下降（DP-SGD）等防御措施也未能阻止。
-
研究发现：EEG基础模型陷入“身份陷阱”
研究人员在EEG基础模型中发现了一个重大问题，称为“身份陷阱”，即模型通过学习特定于受试者的特征而非真正的临床生物标志物来获得高准确率。新开发的诊断工具FMScope，旨在识别表示层面的这种捷径学习。该工具的应用表明，受试者方差是模型性能的主导因素，而消除这些身份特征可以改善实际临床标记物的解码。
-
新基准统一脑电图基础模型评估标准
研究人员推出了 OmniEEG-Bench，这是一个旨在评估脑电图（EEG）数据基础模型的新标准化基准。该基准统一了 54 个 EEG 数据集，并将评估分为六个任务家族，解决了因协议不一致和数据异构性造成的碎片化问题。对 10 个 EEG 基础模型的初步基准测试显示，预训练数据的多样性和模型规模对性能都至关重要，表明其具有与大型语言模型相似的规模法则行为。
-
新流程审计脑电图基础模型，提升透明度与性能
一篇新的研究论文介绍EEG-FM-Audit，这是一个系统的评估与分析流程，旨在解决现有脑电图基础模型（FMs）研究中的局限性。该流程包括一个由ASHA驱动的基准测试协议，用于公平比较；范式级别的消融研究，以评估学习范式；以及一个用于可解释性的神经生理学探测框架。该审计应用于几个最先进的EEG-FM和监督模型，结果显示，经过良好调优的监督基线模型在性能上可以媲美甚至超越FM，且参数更少；FM范式的有效性取决于数据集。分析还展示了FM如…
-
稀疏自编码器揭示脑电图基础模型的可解释性
研究人员开发了一种使用稀疏自编码器来解释脑电图（EEG）基础模型内部工作原理的方法。尽管这些模型在临床上取得了成功，但其内部机制目前仍不透明。该框架允许将提取的特征与临床数据相关联，从而能够对模型表征进行基准测试，并识别概念纠缠和“破坏球”干预等关键故障。该方法将潜在的操纵转化为生理上可解释的频率特征，为增强临床信任和理解这些AI系统提供了途径。
-
综述文章回顾了用于跨主题脑电图解码挑战的深度学习方法
本综述文章回顾了旨在提高脑电图（EEG）解码在不同受试者之间泛化能力的深度学习技术。文章讨论了高受试者间变异性带来的挑战，这种变异性会在训练数据和测试数据之间产生领域迁移。文章将现有方法分为特征对齐、对抗学习、特征解耦和对比学习等几类，并讨论了理论局限性和脑电图基础模型的潜力。