Los investigadores presentan CoCoT, un nuevo modelo base preentrenado con aprendizaje por contraste diseñado para abordar las limitaciones de los enfoques de reconstrucción enmascarada en la decodificación no invasiva de electroencefalogramas (EEG). La arquitectura combina capas de entrada de convolución temporal multiescala con bloques codificadores de Transformer para manejar mejor los datos con alto ruido y la información confinada a bandas de frecuencia estrechas.
- CoCoT iguala o supera a los modelos EEG preentrenados con reconstrucción más avanzados en tareas extensas de decodificación por benchmark con configuraciones de electrodos heterogéneas.
- Los modelos entrenados desde cero superan a los modelos de decodificación de tarea única anteriores y rivalizan con los modelos preentrenados, demostrando alta flexibilidad y eficiencia de datos.
- Las ablaciones sistemáticas confirman la viabilidad del aprendizaje por contraste para construir modelos base de EEG y destacan consideraciones clave de diseño arquitectónico.
El estudio demuestra que el preentrenamiento por contraste es una estrategia viable para los modelos base de EEG, ofreciendo una alternativa efectiva a los métodos tradicionales de reconstrucción enmascarada.