用于可泛化脑电图表征学习的多模态预训练

该研究提出了一个多模态脑电图基础模型，结合Mamba架构的原始信号编码器、用于时频数据的视觉变换器编码器和轻量文本编码器，通过掩码建模、跨视图对比对齐和时间一致性损失进行无标签预训练。在CHB-MIT癫痫检测基准上，单模型AUROC达到0.874，集成模型达到0.878，并评估了留一受试者（LOSO）协议下的性能。

以往癫痫检测脑电图模型通常局限于特定数据集和任务，跨数据集泛化困难。该研究通过多模态预训练构建了一个可适配多种脑电图任务的基础模型，无需人工标注数据，且性能达到当前最优，为患者独立检测和跨场景应用提供了新可能。

模型将原始信号、时频表征和文本嵌入对齐到同一语义空间，利用掩码建模和对比学习捕获癫痫相关特征，无需标注即可学习通用表征。预训练后通过微调适配下游任务，实现跨数据集泛化。

• 该模型是否已开源或提供预训练权重？
• LOSO协议下的具体泛化性能指标（如准确率、召回率）未在摘要中给出，待确认。
• 模型在真实临床环境或多种癫痫发作类型上的表现如何？
• 模型的计算资源需求是否满足实际产品部署条件？