A Simple Review of EEG Foundation Models: Datasets, Advancements and Future Perspectives

📄 arXiv: 2504.20069v2 📥 PDF

作者: Junhong Lai, Jiyu Wei, Lin Yao, Yueming Wang

分类: cs.LG, cs.AI, eess.SP

发布日期: 2025-04-24 (更新: 2025-09-21)

💡 一句话要点

综述脑电图(EEG)基础模型：数据集、进展与未来展望

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 脑电图 基础模型 自监督学习 神经科学 脑机接口

📋 核心要点

  1. 现有有监督脑电图编码器依赖昂贵的信号标注，且泛化能力不足，难以学习鲁棒的脑电图模式。
  2. 该综述旨在系统回顾第一代脑电图基础模型，分析其方法论、实验结果和未解决的研究问题，为未来研究提供方向。
  3. 通过分析14个早期脑电图基础模型，探讨了架构、预训练策略、数据集等细节，并指出了该领域的挑战和未来方向。

📝 摘要（中文）

脑电图(EEG)信号在理解大脑活动和诊断神经系统疾病方面起着至关重要的作用。由于有监督的脑电图编码器无法学习到鲁棒的脑电图模式，并且过度依赖昂贵的信号标注，研究转向了通用自监督脑电图编码器，即基于脑电图的模型(EEG-FMs)，以实现鲁棒和可扩展的脑电图特征提取。然而，早期脑电图基础模型在实际应用中的准备情况以及长期研究进展的标准仍不清楚。因此，有必要对第一代脑电图基础模型进行系统和全面的回顾，以了解其当前的最先进水平，并确定未来脑电图基础模型的关键方向。为此，本研究回顾了14个早期的脑电图基础模型，并对其方法、经验发现和未解决的研究差距进行了批判性的综合分析。本综述侧重于基于脑电图的模型(EEG-FMs)的最新发展，这些模型在处理和分析脑电图数据方面显示出巨大的潜力。我们讨论了各种脑电图基础模型，包括它们的架构、预训练策略、预训练和下游数据集以及其他细节。本综述还强调了该领域的挑战和未来方向，旨在为对脑电图分析和相关脑电图基础模型感兴趣的研究人员和从业人员提供全面的概述。

🔬 方法详解

问题定义：现有有监督的脑电图（EEG）编码器依赖于大量的标注数据，成本高昂，并且学习到的特征泛化能力较弱，难以适应不同的任务和数据集。因此，如何构建一个通用的、自监督的脑电图编码器，能够从无标注数据中学习到鲁棒的脑电图特征，是当前研究面临的关键问题。

核心思路：该综述的核心思路是对现有的脑电图基础模型（EEG-FMs）进行全面的回顾和分析，总结其方法论、实验结果和未解决的研究问题，从而为未来的研究提供指导。通过对不同模型的架构、预训练策略和数据集进行比较，可以识别出哪些方法是有效的，哪些方面还需要改进。

技术框架：该综述的技术框架主要包括以下几个方面：首先，收集并整理了14个早期的脑电图基础模型。然后，对这些模型的方法论进行详细的分析，包括其架构、预训练策略和所使用的数据集。接着，对这些模型的实验结果进行比较，评估其在不同任务上的性能。最后，总结了该领域存在的挑战和未来的研究方向。

关键创新：该综述的关键创新在于其系统性和全面性。它不仅回顾了现有的脑电图基础模型，还对其方法论和实验结果进行了深入的分析，从而为未来的研究提供了有价值的参考。此外，该综述还指出了该领域存在的挑战和未来的研究方向，有助于研究人员更好地把握该领域的发展趋势。

关键设计：该综述的关键设计在于其对不同模型的分类和比较。通过将不同的模型按照其架构、预训练策略和数据集进行分类，可以更清晰地了解不同方法的优缺点。此外，该综述还对不同模型在不同任务上的性能进行了比较，从而可以评估其泛化能力和适用性。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

该综述全面回顾了14个早期的脑电图基础模型，详细分析了它们的架构、预训练策略和数据集，并比较了它们在不同任务上的性能。通过对现有模型的优缺点进行总结，为未来的研究提供了有价值的参考，并指出了该领域存在的挑战和未来的研究方向。

🎯 应用场景

该研究成果对脑机接口、神经疾病诊断、认知状态监测等领域具有广泛的应用前景。通过构建通用的脑电图基础模型，可以降低数据标注成本，提高模型泛化能力，从而加速相关技术的研发和应用，例如辅助诊断癫痫、抑郁症等神经精神疾病，或用于开发新型的脑控设备。

📄 摘要（原文）

Electroencephalogram (EEG) signals play a crucial role in understanding brain activity and diagnosing neurological diseases. Because supervised EEG encoders are unable to learn robust EEG patterns and rely too heavily on expensive signal annotation, research has turned to general-purpose self-supervised EEG encoders, known as EEG-based models (EEG-FMs), to achieve robust and scalable EEG feature extraction. However, the readiness of early EEG-FMs for practical applications and the standards for long-term research progress remain unclear. Therefore, a systematic and comprehensive review of first-generation EEG-FMs is necessary to understand their current state-of-the-art and identify key directions for future EEG-FMs. To this end, this study reviews 14 early EEG-FMs and provides a critical comprehensive analysis of their methodologies, empirical findings, and unaddressed research gaps. This review focuses on the latest developments in EEG-based models (EEG-FMs), which have shown great potential for processing and analyzing EEG data. We discuss various EEG-FMs, including their architectures, pretraining strategies, pretraining and downstream datasets, and other details. This review also highlights challenges and future directions in the field, aiming to provide a comprehensive overview for researchers and practitioners interested in EEG analysis and related EEG-FM.