arXiv cs.AI· Sudarshan Regmi, Nabaraj Subedi, Arvind Pillai, Yu Yvonne Wu, Yuliang Chen, Michael V. Heinz, Lisa Marsch, Nicholas C. Jacobson, Andrew Campbell·· 3 天前AI 评分24
MontageFlow：物理有效的高保真 EEG 生成模型
MontageFlow: Physically Valid High Fidelity EEG Generation
AI 导读
MontageFlow 是一种流匹配模型，通过将输出限制在满足脑电通道间线性恒等关系的信号上，实现物理有效的 EEG 生成。该模型还以从整个 EEG 窗口编码的生理状态向量为条件，该向量在生成时从潜空间先验中采样。在 3 个大规模基准上，其 TS-FID 较最接近的对手提升 1.6-3.6 倍，同时保证有效性。
正文 · AI 翻译
摘要：生成式建模为在严格隐私约束下标记临床脑电图（EEG）数据稀缺的问题提供了一种有前景的解决方案。尽管近期的生成模型报告了生成保真度的大幅提升，但我们表明这些提升掩盖了一个根本性的失败。EEG 并非任意的多通道信号：每个通道记录两个头皮电极之间的电压差。因此，真实记录满足其通道之间精确的线性恒等式。当前的生成器无一例外地违反了这些恒等式，然而这一点却未被注意到。因此，我们提出了 MontageFlow，一种流匹配模型，通过将其输出限制为满足这些恒等式的信号来强制满足这些恒等式。我们发现，确保有效性也能提升保真度。此外，为了保留过度平滑所抹去的 EEG 特征，我们还以从整个 EEG 窗口编码得到的生理状态向量为条件对模型进行调节。在生成时，该向量从在潜在空间中拟合的先验中采样。在 3 个大规模基准测试上，我们的模型在确保有效性的同时，将 TS-FID 相比最接近的竞争对手提升了 1.6-3.6$\times$。
| 评论： | 代码：this https URL |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.14507 [cs.AI] |
| （或 arXiv:2610.14507v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.14507 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Sudarshan Regmi [查看电子邮件]
[v1]
2026年10月10日星期六 03:11:39 UTC（4,161 KB）
来源：arXiv cs.AI · arxiv.org