A eletroencefalografia (EEG) e a magnetoencefalografia (MEG) medem a atividade neural de forma não invasiva ao capturar campos eletromagnéticos gerados por correntes dendríticas. Embora estejam baseadas na mesma biofísica, EEG e MEG exibem padrões de sinal distintos, complicados ainda mais por variações nas configurações dos sensores entre modalidades e dispositivos de gravação. Abordagens existentes tipicamente dependem de modelos separados, específicos para modalidade e conjunto de dados, o que limita o desempenho e a escalabilidade entre domínios. Este artigo propõe o BrainOmni, o primeiro modelo de fundação cerebral que generaliza entre gravações heterogêneas de EEG e MEG. Para unificar fontes de dados diversas, introduzimos o BrainTokenizer, o primeiro tokenizador que quantiza a atividade cerebral espaço-temporal em representações discretas. O núcleo do BrainTokenizer é um novo Codificador de Sensor que codifica propriedades dos sensores como disposição espacial, orientação e tipo, permitindo compatibilidade entre dispositivos e modalidades. A partir das representações discretas, o BrainOmni aprende representações semânticas unificadas dos sinais cerebrais por meio de pré-treinamento auto-supervisionado. Até onde sabemos, é o primeiro modelo de fundação que suporta tanto sinais EEG quanto MEG, além de ser o primeiro a incorporar pré-treinamento MEG em larga escala. Um total de 1.997 horas de dados EEG e 656 horas de MEG foram selecionadas e padronizadas a partir de fontes públicas para pré-treinamento. Experimentos mostram que o BrainOmni supera tanto modelos de fundação existentes quanto modelos de tarefa específicos e estado-da-arte em diversas tarefas subsequentes. Também demonstra forte generalização para dispositivos EEG e MEG não vistos anteriormente. Análises adicionais revelam que o treinamento conjunto EEG-MEG (EMEG) gera melhorias consistentes em ambas as modalidades. Código e pontos de verificação do modelo serão disponibilizados após aceitação.
Building similarity graph...
Analyzing shared references across papers
Loading...
Qian Xiao
Ziyun Cui
Chi Zhang
Building similarity graph...
Analyzing shared references across papers
Loading...
Xiao et al. (Sun,) estudaram esta questão.
www.synapsesocial.com/papers/68da58d8c1728099cfd10f97 — DOI: https://doi.org/10.48550/arxiv.2505.18185
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: