arXiv cs.AI· Anusha Madapura, Aditya Kommineni, Shrikanth Narayanan·· 11 小时前AI 评分26
EEG 基础模型与信号处理嵌入中的特质-状态层级量化研究
Quantifying Trait-State Hierarchy in EEG Foundation Model and Signal Processing Embeddings
AI 导读
研究量化了 EEG 基础模型与信号处理嵌入所捕获的特质与状态特征，发现多数 EEG 特征形成“宏观特质层级”——嵌入先按特质聚类、状态嵌套其中，线性探针结果显示该结构导致状态区分度不佳，拖累 EEG 基础模型的 BCI 表现。采用归一化降低嵌入中的特质信息后，状态分类平衡准确率提升约 10%；微调下游状态解码任务时，嵌入空间会从宏观特质层级转为宏观状态层级，状态解码效果随之改善。
正文 · AI 翻译
摘要：脑电图（EEG）通过记录头皮的电势来测量大脑活动。EEG 记录在信号中捕捉到两组不同的特征：（1）\emph{特质}——在记录过程中保持相对恒定的信息，例如受试者身份、年龄和性别；（2）\emph{状态}——编码对外部刺激（包括视觉、听觉和运动信息）响应的特征。目前对不同 EEG 建模特征（信号处理和基础模型）如何编码状态与特质特征的理解有限。在本工作中，我们使用层次度量和 kNN 纯度在脑机接口数据集试验上量化 EEG 嵌入所捕捉的状态级和特质级特征，并发现大多数 EEG 特征形成宏观特质层次结构（嵌入形成特质级聚类，其中包含微观状态）。我们的线性探针结果表明，这种层次结构导致状态可区分性欠佳，对 EEG 基础模型的 BCI 性能产生负面影响。为缓解这一问题，我们探索了减少嵌入中特质特定信息的归一化技术，并在状态分类的平衡准确率上带来约 10% 的提升。此外，我们观察到，当下游状态解码对模型进行微调时，嵌入空间从宏观特质层次结构转变为宏观状态层次结构，进而带来更好的状态解码效果。
| 主题： | 人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2611.05652 [cs.AI] |
| （或 arXiv:2611.05652v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.05652 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Aditya Kommineni [查看电子邮件]
[v1]
2026年11月3日星期二 21:37:52 UTC（486 KB）
来源：arXiv cs.AI · arxiv.org