EEG-PRIME: Un Nuovo Modello Fondamentale per la Decodifica EEG Cross-Dataset

EEG-PRIME, un nuovo modello fondamentale EEG a due stadi, è stato sviluppato dai ricercatori per affrontare il problema dell'inadeguata generalizzazione nella decodifica EEG attraverso diversi soggetti e dataset. Questo modello integra il pre-addestramento mascherato con l'ottimizzazione delle istruzioni allineate ai prototipi, facilitando la decodifica consapevole delle istruzioni e invariante al soggetto in diversi framework di interfaccia cervello-computer (BCI). Nella fase di pre-addestramento, un encoder EEG acquisisce rappresentazioni trasferibili tramite ricostruzione mascherata potenziata da aumentazione spettrale con taglio di frequenza. La fase di ottimizzazione delle istruzioni impiega condizionamenti semantici del compito, specifici del dataset e invarianti al soggetto, che regolano un Q-Former attraverso la modulazione delle query a livello di strato. Utilizzando incorporamenti testuali congelati delle etichette di classe come prototipi, il modello predice utilizzando la similarità coseno attraverso diversi spazi di etichette. Le valutazioni su diversi dataset hanno rivelato prestazioni migliorate nella decodifica multi-task cross-dataset. L'articolo è disponibile su arXiv con identificativo 2608.13072.