MENDR: Manifold-Embedded Neural Data Representations for Channel-Agnostic EEG Foundation Modeling

ABSTRACT

中文摘要

EEG 基础模型在学习可迁移表征方面展示了潜力，但现有方法把 EEG 作为通用时间序列，忽视了神经信号分析中至关重要的空间协方差结构的黎曼几何。我们提出 MENDR（Manifold-Embedded Neural Data Representations），首个通过矩阵对数与 Log-Euclidean 切空间，把这种几何直接嵌入架构而非仅从数据学习的 EEG 基础模型。MENDR 使用可微矩阵对数，将窗口协方差矩阵嵌入 Log-Euclidean 切空间，使标准 Transformer 操作在几何上等价于黎曼操作。基于 Perceiver 式交叉注意力的通道无关空间投影，使模型能在 6 到 64 通道的电极配置之间无缝迁移。MENDR 使用切空间中的掩码自编码目标，在 Temple University Hospital EEG Corpus 的超过 4,000 小时、14,987 名被试数据上预训练。它仅用 120 万参数，便在六项下游基准中的三项——TUAB 异常、TUEV 事件和 CHB-MIT 癫痫——取得最先进结果，参数量比竞争基础模型最多减少 42 倍。