EEGDM: Mit Diffusionsmodell neue, robuste EEG‑Repräsentationen lernen
Die Analyse von Elektroenzephalographie‑Signalen (EEG) mit Deep‑Learning‑Methoden hat vielversprechende Ergebnisse geliefert, doch bisherige Ansätze stoßen bei der Erzeugung generalisierbarer Repräsentationen an Grenzen – besonders wenn die Trainingsdaten knapp sind. Typische Verfahren wie EEGPT oder LaBraM setzen auf ein einfaches Maskierungs‑und‑Rekonstruktionsziel, das die komplexen semantischen Strukturen von EEG‑Signalen nicht vollständig erfasst.
