EEGiT: Teaching Vision Transformers to Understand the EEG Signal
Jiahao Zhou, Chenghao Xu, Wei Wang, Erkun Yang, Cheng Deng
CVPR 2026 主会 · CVF Open Access
OVERVIEW
论文概览
把视觉 Transformer 的结构先验迁移到 EEG，同时针对通道拓扑与时间结构重新设计输入表示。
ABSTRACT
中文摘要
视觉 Transformer 具有成熟的多尺度与注意力建模能力，但 EEG 并非普通图像。EEGiT 将 EEG 转换为保留电极拓扑和时间变化的结构化表示，并通过适配模块复用视觉预训练模型，使模型学习脑信号中的空间—时间关系。作者在多类 EEG 数据上评估迁移效率、少样本性能和预训练视觉权重的贡献，研究视觉基础模型能否作为 EEG 编码器的通用初始化。
RESEARCH RELEVANCE
与你研究的关系
为统一模型复用视觉骨干提供工程路径，也便于比较专用 EEG 编码器与共享视觉—脑 tokenizer。
LIMITATIONS
局限与核查重点
迁移成功不意味着 EEG 与自然图像拥有相同表征几何；需要防止二维插值和模型容量造成虚假优势。
SOURCE
来源与原文
CVPR 2026 主会 · CVF Open Access
Jiahao Zhou, Chenghao Xu, Wei Wang, Erkun Yang, Cheng Deng. EEGiT: Teaching Vision Transformers to Understand the EEG Signal. CVPR 2026 主会 · CVF Open Access. https://openaccess.thecvf.com/content/CVPR2026/html/Zhou_EEGiT_Teaching_Vision_Transformers_to_Understand_the_EEG_signal_CVPR_2026_paper.html