Hacia modelos base de propósito general para electroencefalografía: un registro unificado de datos

Resumen La electroencefalografía (EEG) se utiliza ampliamente en neurociencia cognitiva, diagnóstico clínico e interfaces cerebro-computadora (BCIs). Trabajos recientes han comenzado a explorar el preentrenamiento a gran escala de EEG para el aprendizaje de representaciones transferibles, lo cual requiere datos de EEG diversos y bien organizados a través de tareas y poblaciones. Actualmente, los conjuntos de datos públicos de EEG están dispersos en plataformas y publicaciones y muestran una variación sustancial en paradigmas experimentales, configuraciones de registro y estándares de metadatos. Esta fragmentación hace que el descubrimiento, integración y reutilización a gran escala sean ineficientes, particularmente para el preentrenamiento de modelos base. Para abordar esto, examinamos sistemáticamente conjuntos de datos públicos de EEG actualizados desde 2020 hasta 2026 y construimos un registro unificado de conjuntos de datos de EEG adaptado al preentrenamiento escalable y evaluación comparativa. El resultado principal de este trabajo fue un registro con metadatos estructurados que permiten un descubrimiento eficiente de conjuntos de datos, filtrado y recuperación directa para el preentrenamiento de modelos base de EEG. Revisamos más de 900 publicaciones y curamos 827 conjuntos de datos elegibles, organizados bajo una taxonomía de seis categorías (cognitivo, BCI, naturalista, clínico, neuromodulación y metodológico). Para cada conjunto de datos, registramos campos estandarizados de metadatos según reportado, incluyendo paradigma de tarea, dispositivo, canales, montaje, tasa de muestreo, número de participantes, región, edad, estado de salud, licencia, modalidades de datos y disponibilidad de etiquetas, junto con enlaces embebidos al conjunto de datos y literatura para apoyar la recuperación directa. Usando este inventario curado, presentamos una caracterización de los recursos de EEG, incluyendo desequilibrio de dominio y concentración de plataformas, que destaca la dificultad de ensamblar corpus desde las fuentes. El registro ofrece acceso centralizado y descripciones estandarizadas, reduciendo el costo de descubrimiento y alineación entre conjuntos de datos y apoyando el preentrenamiento y evaluación de modelos base de EEG.