Grand Modèle de Cognition : Vers un Modèle Fondation EEG Préentraîné

L'électroencéphalographie offre une fenêtre non invasive sur l'activité cérébrale, fournissant des informations précieuses pour la recherche neurologique, les interfaces cerveau-ordinateur et les diagnostics cliniques. Cependant, le développement de modèles d'apprentissage automatique robustes pour l'analyse EEG est entravé par la rareté des ensembles de données à grande échelle bien annotés et par la variabilité inhérente des signaux EEG entre sujets et conditions d'enregistrement. Inspirés par le succès des modèles fondationnels en traitement du langage naturel et vision par ordinateur, nous proposons le Large Cognition Model — un modèle fondationnel basé sur un transformeur conçu pour généraliser à travers divers ensembles de données EEG et tâches en aval. Contrairement aux approches traditionnelles, notre architecture basée sur un transformeur démontre de fortes capacités de généralisation entre ensembles de données et tâches, même sans préentrainement, surpassant certains modèles universels EEG existants sur des applications spécifiques en aval. LCM exploite des techniques d'apprentissage auto-supervisé à grande échelle pour capturer des représentations universelles EEG, permettant un ajustement efficace pour des applications telles que le décodage de l'état cognitif, la classification des maladies et les systèmes de neurofeedback. Nous introduisons une architecture novatrice intégrant des mécanismes d'attention temporelle et spectrale, optimisant la capacité du modèle à extraire des caractéristiques pertinentes à partir de signaux EEG bruts. Des évaluations approfondies démontrent que LCM dépasse les approches de pointe sur plusieurs benchmarks EEG, affichant une forte généralisation inter-sujets et inter-tâches. Nos résultats soulignent le potentiel des modèles fondationnels EEG préentraînés pour accélérer les avancées en neurosciences, médecine personnalisée et technologie BCI.