ManifoldFormer: EEG-Modell nutzt Riemannsche Geometrie für höhere Genauigkeit

Eine neue Studie präsentiert ManifoldFormer, ein EEG‑Foundation‑Modell, das die geometrische Struktur neuronaler Dynamik nutzt, um die Analyse von Hirnaktivität zu verbessern.

Traditionelle EEG‑Modelle behandeln die Signale als gewöhnliche Zeitreihen im euklidischen Raum und vernachlässigen damit die intrinsische geometrische Struktur, die die Gehirnaktivität auf niedrigdimensionale Mannigfaltigkeiten beschränkt. Dieses Missverhältnis begrenzt die Repräsentationsqualität und die Übertragbarkeit zwischen verschiedenen Probanden.

ManifoldFormer löst dieses Problem mit drei innovativen Komponenten: einem Riemannian‑VAE, das die Mannigfaltigkeits‑Einbettung unter Beibehaltung der geometrischen Struktur lernt, einem geometrischen Transformer mit geodätisch bewussten Aufmerksamkeitsmechanismen, der direkt auf den neuronalen Mannigfaltigkeiten arbeitet, und einem Dynamikvorhersager, der neuronale ODEs nutzt, um zeitliche Entwicklungen innerhalb der Mannigfaltigkeit zu modellieren.

In umfangreichen Tests auf vier öffentlichen Datensätzen übertrifft ManifoldFormer die aktuellen Spitzenmodelle um 4,6 % bis 4,8 % in der Genauigkeit und um 6,2 % bis 10,2 % im Cohen‑Kappa‑Wert, während es gleichzeitig eine robuste Cross‑Subject‑Generalisation beibehält.

Die Ergebnisse zeigen, dass geometrische Beschränkungen entscheidend sind, um EEG‑Modelle effektiver zu machen und neurophysiologisch sinnvolle Muster zu erkennen, was einen wichtigen Schritt in Richtung leistungsfähigerer EEG‑Foundation‑Modelle darstellt.