arXiv cs.CL· Ruidong Ma, Jisheng Dang, Ronghao Lin, Bimei Wang, Jingwen Zhao, Wenjun Ma, Wei-Shi Zheng, Meng Wang, Qi Tian, Tat-Seng Chua·· 10 小时前AI 评分31
EEG-HealthLLM：面向统一异构 EEG 健康评估的大语言模型分层适配框架
EEG-HealthLLM: Hierarchical Adaptation of Large Language Models for Unified Heterogeneous EEG Health Assessment
AI 导读
研究者提出 EEG-HealthLLM，用非对称分层适配策略统一处理异构 EEG 健康评估：任务专属 EEG 适配器保留时空动态，共享 LoRA 注入 Phi-3 等 LLM 主干。
正文 · AI 翻译
摘要：脑电图（EEG）为神经与心理健康评估提供了一种非侵入性手段，但现有的 EEG 模型通常针对单一任务开发，难以在异构信号配置和评估目标之间实现统一。大语言模型（LLM）为多任务提供了通用接口，但将异构 EEG 信号适配到共享 LLM 上带来了一个关键挑战：如何在保留任务特定信号特征的同时，实现有效的语言侧参数共享。为解决这一问题，我们提出了 EEG-HealthLLM，一个用于异构 EEG 健康评估的统一且参数高效的框架。我们引入了一种非对称分层适配策略：任务特定的 EEG 适配器保留异构的时空动态，同时将统一的共享 LoRA 注入 LLM 主干（例如 Phi-3），以捕获跨任务共享的高层评估语义。我们进一步构建了 EEG-HealthBench，将五个现有 EEG 资源重组为涵盖癫痫发作检测、重度抑郁症评估、焦虑风险评估、抑郁症状风险评估和情绪状态评估的范式，并采用统一的受试者独立协议。大量实验表明，EEG-HealthLLM 的平均平衡准确率（BAC）达到 69.58%，在平均 BAC 和宏 F1 上均位列所评估方法之首。与独立的单任务 LoRA 适配相比，它将平均 BAC 从 67.70% 提升至 69.58%，同时将语言侧适配器的总占用减少 80.0%。进一步分析揭示了任务相关的跨任务交互与权衡，支持了所提出的分层适配策略。实现代码已公开于 此 https URL。
| 评论： | 15 页，7 幅图 |
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2611.01652 [cs.CL] |
| （或 arXiv:2611.01652v1 [cs.CL] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2611.01652 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Ruidong Ma [查看邮箱]
[v1]
2026 年 11 月 1 日星期日 07:01:30 UTC（2,318 KB）
来源：arXiv cs.CL · arxiv.org