论文基本信息
Paper: BENDR: Using Transformers and a Contrastive Self-Supervised Learning Task to Learn From Massive Amounts of EEG
机构: UofT （多伦多大学）
Publication: Frontiers in Human Neuroscience
Year: 2021
背景
脑机接口(BCI)领域面临一个根本性困境：深度神经网络(DNN)需要大量数据训练，但高质量的标注EEG数据极其稀缺。具体来说：
- 收集并标注100个BCI试验比标注100张图像困难得多
- 传统浅层神经网络在BCI中表现反而优于深层网络，因为深层网络容易过拟合
- EEG数据存在巨大的个体差异（不同被试、不同会话、不同设备）
BENDR开辟了"基础模型"(Foundation Model)路线在脑科学中的应用：通过自监督学习从海量无标注神经生理数据中提取通用表征，再适配特定临床或BCI应用。
方法
预训练数据集：TUEG👇
- Temple University Hospital EEG Corpus
- 10,000+被试，临床记录，年龄1-90+岁，51%女性
- 部分被试间隔8个月多次记录
- 使用19通道10-20系统，约1.5TB原始数据
- 提取60秒片段（15,360样本），用于学习通用EEG分布
预处理：首先做每段序列的线性缩放和平移，把该段的幅值范围归一到 [-1, 1]；但为了不完全丢掉"全数据集相对幅度信息"，额外加入一个常数通道编码该段相对幅值范围（相对整个数据集的 max-min 比例）。然后将原始EEG信号统一重采样到256Hz。最后针对不同规格脑电帽的异构问题进行通道统一化处理，把通道对齐到 10-20 导联标准中的19个EEG 通道；缺失通道补 0，多余通道丢弃；加上前面的相对幅度常数通道，最终固定为 20 通道输入。
预训练：经过预处理后的信号先通过6层1D卷积编码器下采样96倍生成BENDR表示序列，再经掩码处理（5%概率随机选择初始起点，连续掩码10个向量）输入8层Transformer编码器生成上下文表示，针对掩码位置计算对比学习损失，即最大化该位置Transformer输出与原始BENDR表示的余弦相似度，同时最小化与20个同序列负样本的相似度，迫使模型学习从上下文推断缺失信号特征的通用EEG表示能力。
实验
在未见过的新数据集、新被试、新设备上，作者挑了 5 个典型范式，覆盖 MI、ERP（P300/ERN）、睡眠分期（SSC）：
- MMI（MI 二分类 L/R）：160Hz，64ch，105 subjects，5 folds
- BCIC（MI 四分类 L/R/F/T）：250Hz，22ch，9 subjects，9 folds（基本 LOSO）
- ERN（错误相关负波 二分类）：200Hz，56ch，26 subjects（另有 10 个 held-out test subjects），4 folds
- P300（P300 speller 二分类）：2048Hz，64ch，9 subjects，9 folds
- SSC（Sleep staging 五分类）：100Hz，2ch，83 subjects，10 folds
总结
BENDR证明，通过借鉴NLP的BERT技术，用掩码对比学习从大规模无标注EEG数据中学习通用神经表示，可以有效解决脑机接口中的跨任务泛化难题，为深度学习在脑科学中的应用开辟了新路径，为之后脑电大模型研究奠定了基础。
代码开源链接。