Continuous-Latent Predictive Modeling with Semantic Alignment for EEG-Language Foundation Models
Di cosa parla
Trasformano la decodifica di segnali elettrici del cervello in un problema di previsione di rappresentazioni continue con significato, anziché ricostruire dettagli grezzi o usare spazi discreti poco adatti ai segnali. Propongono un modello che impara rappresentazioni trasferibili e le allinea alla semantica del linguaggio in uno spazio condiviso, e i test su diversi compiti mostrano una generalizzazione più coerente.
Cosa permette di osservare
Permette di esplorare come trasformare segnali cerebrali continui in rappresentazioni condivise con il linguaggio e quali strategie di allineamento semantico aiutano l'integrazione con modelli linguistici più ampi.
Dalla fonte
Recent advances in EEG foundation models have demonstrated the potential of large-scale pretraining to enable generalizable neural decoding across subjects, recording environments, and datasets. However, dominant pretraining paradigms face key challenges: masked autoencoding tends to prioritize low-level signal reconstruction over task-relevant semantics, while autoregressive modeling creates a mismatch between continuous neural dynamics and discrete token spaces. To address these challenges, new strategies are needed to effectively align continuous EEG representations with natural-language semantics and enable their integration with large language models. Accordingly, we propose Brain Latent Predictive Model (BLPM), an EEG-language foundation model that reformulates heterogeneous EEG decoding tasks as a continuous semantic embedding prediction problem. BLPM introduces a Continuous EEG…