SingLEM: Single-Channel Large EEG Model
Jamiyan Sukhbaatar, Satoshi Imamura, Ibuki Inoue, Shoya Murakami, Kazi Mahmudul Hassan, Seungwoo Han, Ingon Chanpornpakdi, Toshihisa Tanaka
IEEE Journal of Biomedical and Health Informatics · 2026-09-08 正式发表 · DOI:10.1109/JBHI.2026.3732223
ABSTRACT
中文摘要
现有 EEG 深度学习模型通常面向单一任务，并依赖大量标注数据，因而适应性有限。虽然 EEG 基础模型追求更广泛的复用能力，但不少模型仍依赖预先定义的多通道输入、电极布局假设或特定的通道处理方式。作者提出单通道大型 EEG 模型 SingLEM：其自监督混合卷积—Transformer 编码器独立地把每个通道映射为可复用表征，同时捕捉局部和长程时间结构；这些表征既可单独使用，也可通过通道级特征拼接组合。研究汇集 71 个公开 EEG 数据集，覆盖约 9,200 名被试和 35.7 万单通道小时。为控制预训练泄漏，六项下游任务使用的结果来自一个只在其余 68 个数据集上预训练的模型，明确排除了产生这些任务的三个源数据集；另提供在全部 71 个数据集上训练的通用模型。六项运动想象与认知任务采用严格留一被试评估，泄漏受控模型的拼接表征配合支持向量机，在所比较的预训练模型和经典手工特征方法中获得最佳总体表现。额外的分类器和被试适配分析也支持表征稳健性。结果说明，单通道自监督学习可以形成不依赖固定电极布局的可复用 EEG 特征，并支持电极级空间分析。本期保留正式期刊版；其早期预印本为 arXiv:2509.17920。
RESEARCH RELEVANCE
与你研究的关系
论文事实：SingLEM 在 71 个数据集和约 35.7 万单通道小时上训练，并为下游任务专门构造排除源数据集的 68 数据集预训练版本，在严格留一被试评估中验证通道独立表征。研究推断：统一模型可把单通道编码器作为 montage-flexible 前端，再在更高层引入电极坐标、模态适配器与共享 CLIP 语义；其泄漏受控预训练方案也适合迁移到多数据集 fMRI，要求所有测试数据的源项目完全退出预训练。
LIMITATIONS
局限与核查重点
六项评估主要是运动想象与认知分类，不包含脑到图像、文本或视频，因此其核心价值是基础表征与评估设计。单通道独立编码会弱化原生跨通道相位和空间交互，后续拼接加 SVM 的表现也不等于模型已学习统一空间表示。正式版是否相对 2025 年预印本新增关键实验，还需结合正文修订记录核查。
SOURCE
来源与原文
IEEE Journal of Biomedical and Health Informatics · 2026-09-08 正式发表 · DOI:10.1109/JBHI.2026.3732223
Jamiyan Sukhbaatar, Satoshi Imamura, Ibuki Inoue, Shoya Murakami, Kazi Mahmudul Hassan, Seungwoo Han, Ingon Chanpornpakdi, Toshihisa Tanaka. SingLEM: Single-Channel Large EEG Model. IEEE Journal of Biomedical and Health Informatics · 2026-09-08 正式发表 · DOI:10.1109/JBHI.2026.3732223. https://doi.org/10.1109/JBHI.2026.3732223