利用预训练语言模型进行基于 EEG 的癫痫检测

基于摘要分析。该研究面向基于 EEG 的癫痫检测，提出 PLM2EEG，将预训练语言模型用于 EEG 分析，以应对 EEG 自监督预训练的计算成本、低信噪比及高质量训练数据有限等问题。其核心贡献是结合 EEG Tokenization 与预训练语言模型，探索复用语言预训练表示处理生理信号的可行性。 机制上，EEG Tokenization 将每个通道的固定长度 EEG 片段作为 token，承载局部特征并与预训练语言模型的输入维度对齐；随后加入通道嵌入和位置嵌入，以保留信号的时空信息。第二个组件被称为 Frozen Pretrained Model，保留预训练语言模型的自注意力层和前馈层。摘要同时提到针对 EEG 任务进行微调，但哪些参数冻结、哪些参数更新，以及输入对齐方式、任务输出头和训练损失，尚未验证，不能据此认定整个语言模型均参与微调或均被冻结。 作者报告，在两个大型数据集的 EEG 任务上，PLM2EEG 显著优于已有自监督预训练模型，并改善跨数据集学习表现。摘要未提供数据集名称、被试数量、数值指标、对照模型和统计检验细节，因此目前无法判断优势幅度，也不能将跨数据集学习直接等同于无目标域训练的跨数据集泛化。 复现时需核对预训练语言模型及其规模、EEG 分段与预处理、通道配置、冻结与微调策略，以及被试和数据集划分。实验协议、消融及统计信息尚未验证；尤其需要确认性能提升与语言预训练、时空嵌入及任务适配各自的关系。该材料支持 EEG 癫痫检测方法研究，不足以推断其在其他 BCI 任务中的有效性或临床诊断价值。