EEGDash Corpus：面向 EEG 基础模型、可直接用于训练的公共语料库

arXiv:2611.06356v1 公告类型：新论文 摘要：脑电图（EEG）基础模型使用数万小时的记录进行预训练，其准确性随数据量的增加而提升。然而，这类数据难以汇集。最大的数据来源是无法再分发的临床档案，而公开数据则分散在多个档案库中，采用不同的文件格式和许可证。我们发布了 eegdash-corpus-v0，这是一个包含 77 个公开 EEG 数据集、可直接用于训练的语料库，以需申请访问权限的 Hugging Face 数据集 EEGDash/eegdash-corpus-v0 的形式提供，并附有每个文件的 SHA-256 哈希值。已发表的最大 EEG 基础模型 REVE 列出了 89 个数据集作为其预训练语料库。其中 12 个无法再分发：4 个临床档案库占其总记录时长的 82%，另有 8 个采用禁止演绎的许可证。本语料库收录了其余数据集中符合 REVE 采样率要求的 76 个数据集，以及 REVE 发布说明卡中列出的另一个数据集：共 77 个数据集，来自 7,272 名受试者，总计 14,075 小时，每个训练轮次包含 500 万个 10 秒样本和 62.1 亿个词元。每个数据集均通过 EEGDash 获取，按照 REVE 的处理流程进行一次转换，并存放在分块 Zarr 存储中各自独立的存储桶内，同时在旁记录其许可证，因此模型既可以使用整个存储进行训练，也可以使用任意数据集子集。为验证该存储能否用于模型预训练，我们使用作者的代码，仅修改数据读取方式，从头重新训练了两次 REVE-Base，并在七项公开的 OpenEEGBench 任务上进行评分。其线性探测得分为 0.331，微调后得分为 0.273；相比之下，已发布模型的对应得分为 0.333 和 0.325，未经训练的编码器则为 0.200 和 0.205。转换工具、转换报告及数据加载器的修改均随语料库一同发布。