SPERA to nowy model fundamentalny opracowany do analizy sygnałów elektroencefalograficznych, który zmienia podejście do przetwarzania danych EEG poprzez predykcję w przestrzeni latentnej zamiast bezpośredniej rekonstrukcji obserwowanych sygnałów. Model wykorzystuje architekturę wspólnego wbudowania z predykcją (JEPA) i wprowadza innowacyjny wielomianowy prior Legendre'a do kodowania różnorodnych geometrii elektrod na czaszce pacjenta.
Wyzwania w budowaniu uniwersalnych modeli EEG wynikają z heterogeniczności pacjentów, urządzeń pomiarowych i różnych montaży elektrod stosowanych w klinikach. Tradycyjne podejścia opierały się na rekonstrukcji obserwowanych sygnałów, które zawierają zarówno komponenty neuronalne, jak i nieneuronalne szumy. SPERA rozwiązuje ten problem poprzez faktoryzowaną uwagę temporalno-przestrzenną przeplataną pełnymi blokami uwagi, a także regulatorem spektralnym, który wyrównuje strukturę podobieństwa w przestrzeni latentnej z widmami spektralnymi.
Model został pretrenowany na zaimponującym zbiorze około 80 tysięcy godzin danych EEG zbieranych od 29048 pacjentów rozproszonych na 106 różnych zbiorach danych. W ocenie na dziewięciu zadaniach downstream obejmujących zastosowania kliniczne, badania poznawcze i interfejsy mózg-komputer, SPERA uzyskał najwyższe średnie wyniki dokładności. Jego efektywność parametrów przy liniowym probing i odporność na zmienne warunki nagrywania sugerują potencjał jako uniwersalny backbone dla zróżnicowanych analiz EEG w przyszłych aplikacjach medycznych i badawczych.