跳到正文
arXiv cs.AI· Abhilash Durgam, Nyle Siddiqui, Jeffrey A. Chan-Santiago, Qiushi Fu, Elakkat D. Gireesh, Mubarak Shah·· 10 小时前AI 评分38

CaMBRAIN:基于因果状态空间模型的实时连续 EEG 推理

CaMBRAIN: Real-time, Continuous EEG Inference with Causal State Space Models

AI 导读

CaMBRAIN 是首个基于 Mamba 的因果状态空间模型(SSM),可对 EEG 信号进行实时推理,在 3 个 EEG 数据集上取得 SOTA,吞吐量比现有模型高 10 倍以上。针对 EEG 事件极短且间隔可达数分钟的特点,该研究设计了多阶段自监督训练流程以强化长程记忆保留,同时保持 SSM 的线性时间复杂度,首次实现变长 EEG 信号的连续长程推理。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:脑电图(EEG)是监测大脑电活动的一种关键的非侵入式方法。EEG 的时长可从几秒到数小时不等,这给现有深度学习方法带来了重大障碍,原因主要有两点:(1)现有 EEG 模型大多基于注意力机制构建,随着序列长度增加会产生二次方级的计算开销;(2)由于输入长度固定,原始 EEG 信号必须以滑动窗口方式处理,无法对整个信号形成全局理解。为此,我们提出 CaMBRAIN——首个能够对 EEG 信号进行实时推理的基于 Mamba 的因果状态空间模型(SSM),我们认为,鉴于 EEG 具有因果性、单向性的特点,双向方法是不必要的昂贵选择。然而,训练这样的模型并非易事,因为关键的 EEG 事件可能极其短暂——在不到一秒之内——却可能相隔长达数分钟。现有 EEG 方法采用针对信号重建进行优化的自监督目标,但这些目标并不适合流式 SSM;它们未能显式训练隐藏状态以保留流式推理所需的显著长程上下文。因此,我们引入了一套多阶段自监督训练流程,专门用于促进长程记忆保留并在 EEG 信号上取得强劲性能,同时保持状态空间模型的线性时间复杂度。CaMBRAIN 在 3 个不同的 EEG 数据集上取得了最先进(SOTA)的结果,吞吐量比现有模型高出 10 倍以上,使首个能够对变长 EEG 信号进行长程、连续推理的模型成为可能。
主题: 人工智能(cs.AI);人机交互(cs.HC);机器学习(cs.LG)
引用为: arXiv:2605.28792 [cs.AI]
  (或本版本的 arXiv:2605.28792v3 [cs.AI])
  https://doi.org/10.48550/arXiv.2605.28792

由 DataCite 颁发的 arXiv DOI

提交历史

来自:Abhilash Durgam [查看邮箱]
[v1] 2026年5月27日星期三 17:50:36 UTC(7,173 KB)
[v2] 2026年11月16日星期一 04:05:41 UTC(1 KB)(已撤回)
[v3] 2026年11月18日星期三 01:00:59 UTC(7,173 KB)

来源:arXiv cs.AI · arxiv.org