Jüngste Fortschritte bei groß angelegten, vortrainierten Elektroenzephalogramm-(EEG)-Modellen haben großes Potenzial gezeigt und treiben den Fortschritt bei Gehirn-Computer-Schnittstellen (BCIs) und Anwendungen im Gesundheitswesen voran. Trotz ihres Erfolgs hatten viele bestehende vortrainierte Modelle Schwierigkeiten, den reichen Informationsgehalt neuronaler Oszillationen vollständig zu erfassen – eine Einschränkung, die ihre Leistung und Generalisierbarkeit über verschiedene BCI-Aufgaben hinweg grundlegend begrenzt. Diese Einschränkung ist häufig auf suboptimale architektonische Designentscheidungen zurückzuführen, die ihre Repräsentationskapazität einschränken. In dieser Arbeit stellen wir LaBraM++ vor, ein verbessertes Large Brainwave Foundation Model (LBM), das prinzipielle Verbesserungen auf der Grundlage robuster Signalverarbeitungsgrundlagen integriert. LaBraM++ zeigt erhebliche Leistungssteigerungen bei einer Vielzahl von Aufgaben, übertrifft konsequent seine ursprünglich basierte Architektur und erzielt wettbewerbsfähige Ergebnisse im Vergleich zu anderen Open-Source-LBMs. Seine überlegene Leistung und Trainingseffizienz unterstreichen sein Potenzial als starke Basis für zukünftige Fortschritte bei LBMs.
Barmpas et al. (Thu,) haben diese Fragestellung untersucht.