---
name: eeg-foundation-model---large-cognition-model-(lcm)
description: Skill for AI agent capabilities
---

# EEG Foundation Model - Large Cognition Model (LCM)

## Overview

基于 Transformer 的 EEG 预训练基础模型方法论。通过大规模自监督学习捕获通用 EEG 表示，支持跨数据集和跨任务的泛化。适用于认知状态解码、疾病分类和神经反馈系统。

**来源论文：** arXiv:2502.17464 - Large Cognition Model: Towards Pretrained EEG Foundation Model

## 触发词

EEG 基础模型、预训练 EEG、EEG foundation model、LCM、Large Cognition Model、EEG 预训练、EEG 迁移学习、EEG 泛化

## 核心方法

### 架构设计

1. **Transformer 主干**：处理原始 EEG 信号
2. **时间-光谱注意力**：集成时间和频谱注意力机制
3. **自监督预训练**：大规模无标注数据学习通用表示

### 关键特性

- **跨数据集泛化**：无需预训练即可超越部分现有 EEG 通用模型
- **跨任务泛化**：支持认知状态解码、疾病分类、神经反馈
- **高效微调**：预训练表示支持快速适应下游任务

## 使用场景

### 适用情况

- EEG 认知状态解码
- 神经疾病分类（癫痫、ADHD 等）
- 脑机接口信号处理
- 神经反馈系统开发
- 跨受试者 EEG 分析

### 数据要求

- 原始 EEG 信号或预处理特征
- 支持多种采集设备和采样率
- 标注数据稀缺时特别有效

## 实施步骤

1. **数据准备**
   - 收集多源 EEG 数据集
   - 标准化预处理流程
   - 构建时间-光谱表示

2. **预训练阶段**
   - 使用自监督学习目标
   - 在大规模 EEG 数据上训练
   - 学习通用表示

3. **微调阶段**
   - 添加任务特定头
   - 在下游任务数据上微调
   - 评估泛化性能

## 技术细节

### 注意力机制

- **时间注意力**：捕获 EEG 时间动态
- **光谱注意力**：捕获频率特征
- **融合策略**：并行或串行集成

### 预训练策略

- 掩码信号重建
- 对比学习
- 跨模态对齐（如有辅助数据）

## 与其他方法对比

| 方法 | 跨数据集泛化 | 跨任务泛化 | 标注需求 |
|------|-------------|-----------|---------|
| LCM | ✅ 强 | ✅ 强 | 低 |
| 传统 CNN | ❌ 弱 | ❌ 弱 | 高 |
| EEGNet | ⚠️ 中等 | ❌ 弱 | 中等 |

## 工具使用

- `web_fetch`: 获取论文详细内容
- `exec`: 运行 Python/PyTorch 实现代码
- `read`: 查看预处理配置文件

## 注意事项

- EEG 信号变异性大，需注意数据标准化
- 预训练数据质量影响泛化能力
- 下游任务微调可能需要少量标注数据

## 扩展阅读

- 相关技能：`spikingjelly-framework`（SNN 实现）
- 相关技能：`eeg-brain-connectivity-bci`（BCI 应用）
- 论文链接：https://arxiv.org/abs/2502.17464
## Description

EEG Foundation Model - Large Cognition Model (LCM)

## Activation Keywords

- eeg-foundation-model
- eeg-foundation-model 技能
- eeg-foundation-model skill

## Tools Used

- `read` - Read documentation and references
- `web_search` - Search for related information
- `web_fetch` - Fetch paper or documentation

## Instructions for Agents
Follow these steps when applying this skill:

### Step 1: Transformer 主干

### Step 2: 时间-光谱注意力

### Step 3: 自监督预训练

### Step 4: 数据准备

### Step 5: 预训练阶段

## Examples

### Example 1: Basic Application

**User:** I need to apply EEG Foundation Model - Large Cognition Model (LCM) to my analysis.

**Agent:** I'll help you apply eeg-foundation-model. First, let me understand your specific use case...

**Context:** Apply the methodology

### Example 2: Advanced Scenario

**User:** Complex analysis scenario

**Agent:** Based on the methodology, I'll guide you through the advanced application...

### Example 2: Advanced Application

**User:** What are the key considerations for eeg-foundation-model?

**Agent:** Let me search for the latest research and best practices...