其它-1   基于自动预标注算法的脑电信号分割模型

问题：癫痫样放电指数（SWI）量化是一种典型的脑电信号分割任务，它属于临床辅助诊断领域中的特殊需求类任务。因此没有开源的、足量的、有标注的数据集可用。无法利用深度学习技术实现准确的SWI量化。

难点：1）数据自动预标注：借助有限的信息对没有细粒度标注的脑电信号进行自动预标注。

          2）脑电信号分割模型：构建用于脑电信号分割的深度学习模型，实现对不同患者通用的、无需手动设定阈值的SWI自动量化。

突破：提出一种自动预标注算法，用于对脑电信号分割任务实现数据的快速自动预标注，具备非常高的准确性和稳定性。利用预标注后的数据进行放电指数量化模型（SQNN）训练，能够实现SWI的自动量化，其准确性超过临床专家，计算效率优于传统算法。

优点：

（1）能够快速、准确实现稳定的数据自动预标注

（2）能够实现准确的SWI自动量化，量化误差小于3%

效果展示：

其它-2   基于小波神经网络的多通道脑电信号分割模型

问题：已有的脑电信号分割模型通常基于U-Net的网络结构进行修改，这种结构设计在逐层下采样特征提取过程中通常存在不可避免的信息丢失。

此外，已有的网络结构均不具备可解释性，大大降低了模型在实际应用场景中的可靠性。

难点：1）模型结构优化：优化模型结构，避免在下采样特征提取过程中产生信息丢失。

          2）实现模型可解释性：如何设计有效的模型结构以辅助模型进行可解释性分析。

突破：提出一种基于小波神经网络的多通道脑电信号分割模型，借助小波分解模块和树生成模块，实现下采样过程中的无损信号特征提取，并且能够在推理过程中根据树生成模块输出的权重对推理结果进行可解释性分析，在实际场景中具备潜在的应用价值。

优点：

（1）能够实现多通道多标签的脑电信号分割

（2）模型推理结果可以从频带能量的角度进行可解释性分析

效果展示：

其它-3   适用于脑电信号分割任务的EEG预训练模型

问题：脑电信号分析领域缺乏统一的数据特征建模方案，进行该领域研究的入门成本较高。已有的EEG大模型预训练策略均较为落后：两阶段预训练策略、对比学习预训练策略，并且没有针对脑电信号分割下游任务的实现。

难点：1）构建EEG预训练模型：大规模数据集整理和标准化处理，时序数据Tokenizer设计，一阶段生成式预训练策略。

          2）实现脑电信号分割下游任务微调：设计可用于输出脑电信号分割结果的掩码解码器，能够根据不同任务需求进行配置。

突破：提出一种适用于脑电信号分割任务的EEG预训练模型，通过融合时空自注意力机制和基于类别查询的掩码解码器，能够全面提取时序数据特征和复杂信息并应用于脑电信号分割的下游任务，显著提高了模型在多个任务上的评估指标和训练效率。

优点：

（1）能够统一脑电信号分割任务的模型架构

（2）能够为多个脑电信号分割任务带来性能提升

（3）能够提升模型训练效率，快速迭代算法

效果展示：