arXiv eess.SP（Signal Processing）·2026-10-27 12:00· 2 小时前精选AI 评分58

Lina Abou-Abbas 团队提出 NOMAD-EEG：不依赖电极数量与顺序的 EEG 基础模型

NOMAD-EEG: Native Omni-Montage Adaptive Diffusion

AI 导读

Lina Abou-Abbas 团队提出 NOMAD-EEG，一个 12.0 M 参数的扩散模型，按电极 3D 头皮位置建模，不依赖电极数量、身份和顺序，也不受输入长度限制。

AI 要点

团队

第一作者 Abdulkader Helwan，末位作者 Lina Abou-Abbas，共 3 位作者。

主要结果

在 EEGMMIDB 运动想象上平衡准确率 0.442、Siena 癫痫检测 macro F1 0.622、Bonn 癫痫检测 AUROC 0.999，均优于七个基础模型。

解决什么问题

多数 EEG 基础模型受限于训练时的电极集合与输入长度，该模型旨在不依赖电极数量、身份、顺序和输入长度。

方法

12.0 M 参数扩散模型，沿时间交替使用状态空间层、不用 patch，电极仅以 3D 头皮位置标识；在单一语料 147 h 无标签 EEG 上预训练，用冻结线性探针在 1–64 电极的十个数据集评估。

局限

从研究设计看，预训练仅用单一语料，评估以冻结线性探针为主，未与更大模型做同规模预训练对比。

AI 依据原文整理，未经人工核对。

AI 推荐理由

原文给出参数量、预训练数据量与十个数据集的对比结果，读者可据此判断小模型在跨导联 EEG 上的位置。