Beyin-bilgisayar arayüzleri ve nörolojik hastalıkların teşhisi gibi alanlarda EEG sinyallerini doğru yorumlamak büyük önem taşıyor. Ancak bu sinyaller hem son derece gürültülü hem de bilgi açısından oldukça seyrek. Bu zorlukların üstesinden gelmek için araştırmacılar, CoCoT adını verdikleri yeni bir derin öğrenme modeli tasarladı.
Son yıllarda büyük dil modellerinden ilham alan 'temel model' yaklaşımı EEG alanına da taşındı. Bu modellerin çoğu, ham EEG sinyalini küçük parçalara bölerek tokenize ediyor ve ardından bu parçaların bir kısmını gizleyerek modelin geri kalanını tahmin etmesini istiyor. Ancak bu yöntem, EEG gibi yüksek gürültülü ve frekansa özgü verilerde beklenilen performansı sergileyemiyor.
CoCoT farklı bir yol izliyor. Karşıtsal ön eğitim yaklaşımıyla model, aynı sinyalin farklı görünümlerini birbirine yaklaştırırken ilgisiz örnekleri birbirinden uzaklaştırmayı öğreniyor. Bu strateji, modelin EEG'deki anlamlı örüntüleri gürültüden ayırt etmesini kolaylaştırıyor.
Bunun yanı sıra modelin giriş katmanında çok ölçekli zamansal evrişimler kullanılıyor. Bu sayede model hem kısa hem de uzun süreli beyin aktivite örüntülerini eş zamanlı olarak yakalayabiliyor. Transformer encoder blokları ise farklı elektrot kanalları arasındaki ilişkileri modellemeye yarıyor.
Kapsamlı kıyaslama testleri, CoCoT'un farklı elektrot düzenlemelerine sahip veri setlerinde mevcut en iyi modellerle rekabet edebildiğini, pek çok görevde ise onları geride bıraktığını gösteriyor. Daha da ilgi çekici olan bulgu şu: Model, herhangi bir ön eğitim uygulanmadan sıfırdan eğitildiğinde bile güçlü sonuçlar veriyor. Bu durum, CoCoT'un mimari tasarımının kendi başına değer taşıdığını ve modelin geniş bir kullanım yelpazesine uyarlanabilir olduğunu gösteriyor.
Çalışma, EEG tabanlı beyin sinyali çözümleme alanında ön eğitim stratejisinin yeniden sorgulanması gerektiğine dair önemli bir mesaj veriyor ve bu alanda yeni araştırma yönleri açıyor.