论文
KAST-BAR：用于通用神经解释的知识锚定语义动态拓扑大脑自回归模型
KAST-BAR: Knowledge-Anchored Semantically-Dynamic Topology Brain Autoregressive Modeling for Universal Neural Interpretation
摘要
尽管脑电图基础模型在跨任务的通用神经解码方面显示出巨大潜力，但其进步仍然受到复杂时空拓扑建模不足以及低级生理信号和高级文本语义之间固有模态差距的限制。为了应对这些挑战，我们提出了一种知识锚定语义动态拓扑脑自回归模型（KAST-BAR），该模型将多级大脑拓扑派生的生理表征与专家级语义空间动态对齐。具体来说，我们设计了一个双流分层注意力（DSHA）编码器，通过使用全局空间上下文对局部时间动态进行建模，准确捕获大脑内在的非欧几里得拓扑。在此基础上，提出了知识锚定语义分析器（KASP）来合成物理基础和实例级文本配置文件，随后驱动语义文本感知精炼器（STAR）使用潜在专家查询动态重建脑电图表示。通过在 21 个不同的数据集上进行大规模 预训练 来构建基础模型，KAST-BAR 有效地将专家级医学知识集成到 EEG 信号表示中，在六个下游任务中持续实现卓越性能。我们的代码位于 https://github.com/KAST-BAR/KAST-BAR