EEG-PRIME: 다단계 조건부 학습을 통한 프로토타입 정렬 표현 학습 기반 EEG 디코딩 모델

EEG-PRIME: Prototype-Aligned Representation Learning with Multi-Level Conditioning for EEG Decoding

뇌파(EEG) 디코딩 모델은 종종 데이터 세트 및 피험자 간의 차이로 인해 성능 저하를 겪는데, 이는 측정 프로토콜과 개인별 신경 생리학적 특성의 변화 때문입니다. 본 연구에서는 교차 데이터 세트 다중 작업 디코딩을 위한 두 단계 EEG 기반 모델인 EEG-PRIME을 제안합니다. EEG-PRIME은 마스킹 프리트레이닝과 프로토타입 정렬 지침 튜닝을 결합하여 다양한 뇌-컴퓨터 인터페이스(BCI) 패러다임을 통해 지침 인지적이고 피험자 불변적인 디코딩을 가능하게 합니다. 프리트레이닝 단계에서 EEG 인코더는 주파수 제한 스펙트럼 증강을 사용한 마스킹 복원을 통해 전이 가능한 표현을 학습합니다. 지침 튜닝 단계에서는 작업 의미론, 데이터 세트별 정보 및 피험자 불변적 조건을 통합합니다. 결과적으로 생성된 조건부 신호는 레이어별 쿼리 변조를 통해 Q-Former를 조절하며, 동결된 클래스 라벨의 텍스트 임베딩은 다양한 라벨 공간에서의 코사인 유사성 기반 예측을 위한 프로토타입으로 사용됩니다. 운동 상상, 감정 인식, ADHD 진단, 은밀한 음성 인식 및 정신적 작업 부하를 포함하는 16개의 데이터 세트에 대한 실험 결과는 교차 피험자 설정에서 최첨단 모델과 기존 EEG 기반 모델보다 일관된 성능 향상을 보여줍니다. 추가적으로 두 개의 보류 데이터 세트에서 EEG-PRIME은 타겟 도메인 최적화, 보정 또는 선형 탐색 없이도 동일 세션 보정 모델에 준하는 균형 잡힌 정확도를 달성하여 유망한 제로샷 전이 능력을 입증합니다.

Electroencephalography (EEG) decoding models often generalize poorly across datasets and subjects due to domain shifts in acquisition protocols and individual neurophysiology. We propose EEG-PRIME, a two-stage EEG foundation model for cross-dataset multi-task decoding. EEG-PRIME combines masked pretraining with prototype-aligned instruction tuning to enable instruction-aware and subject-invariant decoding across diverse BCI paradigms. During pretraining, an EEG encoder learns transferable representations through masked reconstruction with frequency-cutoff spectral augmentation. During instruction tuning, EEG-PRIME incorporates task-semantic, dataset-specific, and subject-invariant conditioning. The resulting conditioning signal modulates the Q-Former through Layer-wise Query Modulation, while frozen text embeddings of class labels serve as prototypes for cosine-similarity-based prediction across heterogeneous label spaces. Experiments on sixteen datasets covering motor imagery, emotion recognition, ADHD detection, covert speech, and mental workload show consistent improvements over state-of-the-art baselines and prior EEG foundation models under cross-subject settings. On two additional held-out datasets, EEG-PRIME achieves balanced accuracy comparable to within-session calibration models without target-domain optimization, calibration, or linear probing, demonstrating promising zero-shot transfer capability.