연구자들은 비침습적 뇌파(EEG) 디코딩에서 마스킹 재구현 접근법의 한계를 해결하도록 설계된 혁신적인 대조적 사전 학습 파운데이션 모델인 CoCoT를 소개합니다. 이 아키텍처는 다중 스케일 시간 컨볼루션 입력 레이어와 트랜스포머 인코더 블록을 결합하여 고노이즈 데이터와 좁은 주파수 대역에 국한된 정보를 더 잘 처리합니다.
- CoCoT는 이질적인 전극 구성을 가진 광범위한 벤치마크 디코딩 작업에서 최첨단 재구현 사전 학습 EEG 모델과 동등하거나 그 이상의 성능을 보입니다.
- 처음부터 훈련된 모델은 이전의 단일 작업 디코딩 모델을 능가하고 사전 학습된 모델에 버금가는 성능을 보여주며, 높은 유연성과 데이터 효율성을 입증합니다.
- 체계적인 아블레이션 연구는 EEG 파운데이션 모델 구축을 위한 대조적 학습의 타당성을 확인하고 중요한 아키텍처 설계 고려 사항을 강조합니다.
이 연구는 대조적 사전 학습이 EEG 파운데이션 모델에 대한 실행 가능한 전략이며, 기존의 마스킹 재구현 방법에 대한 효과적인 대안임을 보여줍니다.