EEGDM: Leichtgewichtiges Diffusionsmodell verbessert EEG-Analyse

Die Elektroenzephalographie (EEG) ist seit Jahrzehnten ein unverzichtbares Werkzeug zur Überwachung der Gehirnfunktion und zur Diagnose neurologischer Erkrankungen wie Epilepsie. Trotz ihrer Bedeutung bleibt die Extraktion aussagekräftiger Repräsentationen aus rohen EEG‑Signalen schwierig, weil die Daten stark variieren und die Annotationsmenge begrenzt ist.

In den letzten Jahren haben EEG‑Foundation‑Models (FMs) mit Transformer‑Architekturen und selbstüberwachtem Pre‑Training, etwa Masked Prediction, vielversprechende Fortschritte erzielt. Sie lernen aus großen EEG‑Datensätzen und werden anschließend für spezifische Aufgaben feinjustiert. Allerdings sind diese Modelle sehr rechenintensiv – sowohl beim Training als auch bei der Inferenz – und die Leistungssteigerung mit zunehmender Modellgröße bleibt oft gering.

Die neue Methode EEGDM (EEG Representation Learning via Generative Diffusion Model) setzt auf ein generatives Diffusionsmodell. Durch die Entwicklung eines strukturierten State‑Space‑Modells für Diffusions‑Pre‑Training (SSMDP) werden die zeitlichen Dynamiken der EEG‑Signale besser erfasst. Das Modell wird mit einem Denoising Diffusion Probabilistic Model trainiert, wodurch robuste latente EEG‑Repräsentationen entstehen. Für die Klassifikation wird ein sogenannter Latent Fusion Transformer (LFT) eingesetzt, der die latenten Features effizient nutzt.

Bei der Evaluation auf dem mehrere Ereignisse enthaltenden Temple University EEG Event Corpus übertraf EEGDM die aktuellen State‑of‑the‑Art‑Ansätze, darunter EEG‑FMs. Gleichzeitig ist das Modell etwa 19‑mal leichter, was die Rechenkosten drastisch reduziert. Diese Ergebnisse zeigen, dass EEGDM eine vielversprechende, ressourcenschonende Alternative für die EEG‑Analyse darstellt.