SAMBA：基于差分Mamba的EEG自监督框架

SAMBA由Jiazhen Hong、Geoffrey Mackellar和Soheila Ghane提出，是一种基于Mamba的U型编解码自监督学习框架，旨在解决长上下文脑电图（EEG）信号建模中的挑战。 该框架采用多头差分Mamba模块以抑制冗余，并通过三维欧氏空间嵌入技术来处理电极布局的差异，从而有效捕捉长程时间依赖性和电极图变异性。 在13个涵盖不同任务、电极配置和序列时长的EEG数据集上的实验显示，SAMBA相较于近期最先进方法保持了具有竞争力或改进的性能，同时具有低内存消耗和高效推理的特点。 研究还表明，SAMBA学习到的空间权重图与任务相关的神经生理区域表现出高度一致性，凸显了该模型的强可解释性，相关代码已公开。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。