arXiv cs.AI· Guanzhong Sun, Junyi Ma, Yuxuan Wu, Wei Tang, Yanzi Miao·· 14 小时前AI 评分31
EEG-VID：面向 EEG 解码与辅助目标选择的任务引导潜在预测预训练
EEG-VID: Task-Guided Latent Predictive Pretraining for EEG Decoding and Assistive Target Selection
AI 导读
EEG-VID 是一个任务引导的潜在预测预训练框架，用指数滑动平均目标编码器从近期历史预测未来 EEG 潜在状态，再做监督微调。在 VIG-48 与 BCI Competition IV-2a/IV-2b 上，Stage 1 在 42 组匹配比较中的 41 组提升平均准确率，含全部 12 个留一被试设置，最大增益 16.22 个百分点。
正文 · AI 翻译
摘要：我们提出 EEG-VID，一种任务引导的潜在预测预训练框架，用于在会话和受试者偏移下的 EEG 解码。EEG-VID 使用指数移动平均目标编码器和弱任务引导，从近期历史预测未来的潜在 EEG 状态，随后进行监督微调。在 VIG-48 和 BCI Competition IV-2a/IV-2b 上，Stage 1 在 42 项匹配的骨干-数据集-协议比较中的 41 项提升了平均准确率，包括全部 12 个留一受试者设置，最大增益为 16.22 个百分点。在 48 区域跨天 VIG-48 任务上，EEG-VID 达到 6.52% Top-1 和 30.50% Top-5 准确率。在另一项六名参与者的离线机器人场景研究中，经过受试者特定校准后，候选约束的目标选择达到 40.24%，而随机水平为 25%。这些结果支持将任务引导的潜在预测作为 EEG 解码和场景约束辅助目标选择的可迁移预训练策略。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2609.00566 [cs.LG] |
| （或 arXiv:2609.00566v4 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2609.00566 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Guanzhong Sun [查看电子邮件]
[v1]
2026年9月1日星期二 02:00:58 UTC（4,575 KB）
[v2]
2026年9月2日星期三 01:36:15 UTC（4,575 KB）
[v3]
2026年9月8日星期二 06:00:16 UTC（4,575 KB）
[v4]
2026年10月26日星期一 08:47:16 UTC（4,575 KB）
来源：arXiv cs.AI · arxiv.org