MSBraM：面向分层EEG动力学学习的多尺度自监督脑基础模型

自监督基础模型近来在基于脑电图（EEG）的分析上展现强潜力。但既有方法难以捕捉EEG信号固有的多尺度时间结构——局部神经模式与长程依赖共同编码任务相关信息。该局限妨碍跨尺度表示学习与跨多样下游任务的泛化。为应对该挑战，我们提出MSBraM，一个为学习分层EEG表示设计的多尺度自监督脑基础模型。MSBraM遵循两阶段预训练框架：第一，多尺度神经tokenizer经向量量化重建把原始EEG信号离散化为不同时间分辨率的语义码；第二，模型以课程式多尺度掩码策略预训练预测被掩码的码，渐进整合细粒度局部模式与全局时间上下文。我们在超过2,400小时的EEG数据上预训练MSBraM，并在12个公开数据集的10个下游任务上评估。大量实验显示MSBraM优于其他最先进预训练模型，展示强泛化与可迁移性。结果表明显式建模多尺度时间动态对有效的EEG基础模型至关重要。