PHASE：生理学引导的颅内脑电图分层基础模型

临床医生和神经科学家长期以来一直通过直接测量的生理特征来分析颅内脑电图（iEEG），这些生理特征携带了下游任务所依赖的大部分信息。最近的 iEEG 基础模型通过重建或预测其输入来学习，从而隐式保留了这些特征。它们还主要根据认知解码和狭窄的临床任务（即癫痫检测）进行评估。在广泛的、临床相关的基准（例如 Omni-iEEG）上，当冻结使用时，它们仍然低于特定任务模型。我们引入了 PHASE，这是一种生理学引导的基础模型，使这些特征成为明确的学习目标，将它们与每个通道内的时间阶段 (PHASE-T) 和跨同步通道的时空阶段 (PHASE-ST) 中的屏蔽潜在预测配对。 PHASE 使用 9 个临床中心 222 名参与者的异构录音进行了预训练。在所有五项 Omni-iEEG 临床任务中，冻结 PHASE-T 的性能优于每个评估的基础模型高达 31%，并且微调的 PHASE-T 超越了特定任务模型，创下了新的最先进水平。 PHASE-T 受益于生理监督，优于仅使用潜在预测训练的变体或匹配消融中每项任务的辅助波形重建。 PHASE-T 泛化到看不见的机构，优于具有很少或没有本地标签的比较模型。与 PHASE-T 相比，PHASE-ST 进一步改进了癫痫发作区识别，并且在冻结时，可以比已发布的模型更好地在 BrainTreebank 上解码音量和音调。除了任务表现之外，PHASE 还学习封装临床医生识别的生理特征，从癫痫发作及其传播到解剖区域识别，即使其预训练不包含发作记录或解剖标签。