摘要
自监督基础模型在基于脑电图（EEG）的分析中展现出了强大的潜力。然而，现有方法难以捕捉EEG信号固有的多尺度时间结构，其中局部神经模式和长程依赖共同编码了任务相关信息。这一局限性阻碍了跨尺度表示学习及在不同下游任务中的泛化。
为了解决这一挑战，我们提出了MSBraM——一个旨在学习层次化EEG表示的多尺度自监督脑模型。MSBraM遵循两阶段预训练框架。第一阶段，采用多尺度神经Tokenizer将原始EEG信号在不同时间分辨率下离散化为语义编码，通过向量量化重建实现。第二阶段，模型通过课程多尺度掩蔽策略预训练以预测被掩蔽的编码，逐步整合细粒度的局部模式与全局时间上下文。
我们在超过2400小时的EEG数据上对MSBraM进行预训练，并在12个公共数据集的10个下游任务中进行评估。大量实验表明，MSBraM在其他最先进的预训练模型之上表现优越，展现出强大的泛化能力和迁移性。这些结果表明，明确建模多尺度时间动态对有效的EEG基础模型至关重要。
博主点评： MSBraM通过其创新的多尺度处理策略，成功克服了EEG信号分析中的一些关键挑战，展现出强大的应用潜力。其预训练框架的设计也为未来的脑信号研究提供了新的思路，值得深入探索。