为了处理脑机接口 (BCI) 任务中脑电图 (EEG) 数据的稀缺性和异质性,并利用大型公开数据集的强大功能,我们提出了 Neuro-GPT,这是一个由 EEG 编码器和 GPT 模型组成的基础模型。基础模型使用自监督任务在大型数据集上进行预训练,该任务学习如何重建被掩盖的 EEG 片段。然后,我们在运动想象分类任务上对模型进行微调,以验证其在低数据量(9 个受试者)下的性能。我们的实验表明,与从头开始训练的模型相比,应用基础模型可以显著提高分类性能,这为基础模型的通用性及其应对 EEG 数据稀缺性和异质性挑战的能力提供了证据。该代码可在 https://github.com/wenhui0206/NeuroGPT 上公开获取。
![arXiv:2311.03764v4 [cs.LG] 2024 年 3 月 2 日PDF文件第1页](/bimg/2/24fe5ece4266f9fff280b8eff74771186c969197.webp)
![arXiv:2311.03764v4 [cs.LG] 2024 年 3 月 2 日PDF文件第2页](/bimg/7/732e012bda6576529c1cf7cf49c4cd44afead87c.webp)
![arXiv:2311.03764v4 [cs.LG] 2024 年 3 月 2 日PDF文件第3页](/bimg/5/5147e99ce8e4a111107c6c4e6a6e612d7d1b7c6a.webp)
![arXiv:2311.03764v4 [cs.LG] 2024 年 3 月 2 日PDF文件第4页](/bimg/4/40cba492d00f6f7cf1be5ba27f23aae5815fe6b6.webp)
![arXiv:2311.03764v4 [cs.LG] 2024 年 3 月 2 日PDF文件第5页](/bimg/2/239ba0b891fa210d47b37def43777145769c64ea.webp)
