EEGDM：使用潜在扩散模型学习 EEG 表征

arXiv:2508.20705v5 公告类型：替换 摘要：近年来，EEG 表征的自监督学习取得了诸多进展，这些方法大多依赖掩码重建，即训练模型恢复被随机遮掩的信号片段。尽管掩码重建在建模局部依赖关系方面表现有效，但其训练目标并未促使模型捕捉刻画神经活动所必需的全局生成约束。为解决这一局限，我们提出 EEGDM，一种以生成 EEG 信号为目标、利用潜在扩散模型的新型自监督框架。不同于掩码重建，基于扩散的生成过程会将信号从噪声逐步去噪至真实状态，促使模型捕捉整体时间模式以及跨通道关系。具体而言，EEGDM 引入了一个 EEG 编码器，将原始信号及其通道增强信息提炼为紧凑表征，并将其作为条件信息，引导扩散去噪过程，从而使编码器与扩散模型能够通过生成目标进行联合优化。这种设计赋予 EEGDM 一个紧凑的潜在空间，不仅为生成过程提供了充分的控制能力，还可用于下游任务。实验结果表明，EEGDM：（1）能够重建高质量的 EEG 信号；（2）能够学习鲁棒的表征；（3）在多种下游任务中取得具有竞争力的性能，从而为自监督 EEG 表征学习探索了一个新的方向。