تعتبر نماذج تخطيط الدماغ الكهربائي (EEG) أساساً خصباً لفهم الأنماط العصبية التي تعكس نشاط الدماغ. إلا أن دور مستخرجات الميزات الزمنية (Temporal Feature Extractors) لا يزال بحاجة إلى استكشاف دقيق. في هذا السياق، تجري دراسة جديدة مقارنة محكومة بين ثلاث استراتيجيات لاستخراج الميزات الزمنية، ومنها نموذج خطي كأساس، ومشفر تلافيفي (Convolutional Encoder)، ونموذج سلسلة زمنية مدرب مسبقًا (Pretrained Time-Series Model) يعرف باسم MOMENT.

تركز الدراسة على تقييم كيفية تأثير هذه الاستراتيجيات على جودة التمثيل، وذلك ضمن المهام الأساسية المتمثلة في استنتاج الصور الحركية (Motor Imagery) والتعرف على المشاعر. النتائج تكشف عن توجهات مختلفة بين مجموعة البيانات المستخدمة؛ حيث أثبتت التمثيلات الزمنية البسيطة كفاءتها في مهمات استنتاج الصور الحركية، بينما كانت البيانات المتعلقة بالمشاعر بحاجة إلى نماذج زمنية أكثر تعقيدًا.

على الرغم من أن النموذج المدرب مسبقاً (MOMENT) لم يتم تصميمه خصيصاً لنماذج EEG، إلا أنه أظهر قدرة فعالة كموExtractor للميزات الزمنية، مما يشير إلى إمكانية نقل التمثيلات الزمنية العامة لتكون بمثابة مستخرجات ميزات زمنية ضمن نماذج EEG. هذه النتائج قد تعزز من فهمنا لكيفية نقل المعرفة بين النماذج المختلفة، مما يسهم في تطوير أدوات أكثر دقة في تحليل النشاط الدماغي.