BICML · 2026
Let EEG Models Learn EEG
Yifan Wang, Yijia Ma, Wen Li, Chenyu You
ICML 2026 主会 · OpenReview
字号
OVERVIEW
论文概览
使用条件流匹配直接学习原始 EEG 的连续生成轨迹，并加入频谱、平稳性和统计约束，避免只在离散 token 上重建。
ABSTRACT
中文摘要
作者认为，许多 EEG 基础模型沿用文本式 token 化与掩码重建，可能破坏连续波形和频谱结构。JET 使用 conditional flow matching 学习从噪声到原始 EEG 的连续生成轨迹，并把频谱一致性、局部平稳性与统计结构写入训练目标。模型在多个 EEG 基准上评估信号生成和表征迁移，作者报告时间序列 FID 改善超过 40%，同时显示生成式预训练能够支持下游任务。
RESEARCH RELEVANCE
与你研究的关系
可作为统一模型的 EEG 内部生成目标，与跨模态 CLIP/语言对齐共同训练，而不是仅依赖波形掩码重建。
LIMITATIONS
局限与核查重点
它主要回答 EEG 生成与单模态表征问题，与 fMRI/视觉/语言的直接对齐仍需额外验证。
SOURCE
来源与原文
ICML 2026 主会 · OpenReview
Yifan Wang, Yijia Ma, Wen Li, Chenyu You. Let EEG Models Learn EEG. ICML 2026 主会 · OpenReview. https://openreview.net/forum?id=TP8OuKKmsf