五度妙笔
企业透视镜
API商城
数据库伍冬睿团队NSR | 脑电基础模型综述与基准评测
脑电信号（EEG）记录了大脑神经活动产生的电变化，是脑机接口感知和解码大脑的重要信息来源。脑电基础模型（Foundation Models, FMs）近年来快速涌现，被认为是推动脑机接口从面向单一任务的专用模型向通用智能解码系统发展的重要途径，旨在通过大规模、多来源脑电数据预训练，学习具有迁移能力的通用神经表征，并支持运动想象、情绪识别、临床诊断等多种脑机接口范式。
然而，由于脑电信号存在个体差异大、设备异构性强、数据规模有限等特点，现有脑电基础模型在预训练策略、模型设计和评测标准方面存在显著差异，其真实泛化能力仍缺乏系统评估。如何建立公平、全面的评价体系，成为推动脑电基础模型进一步发展的关键问题。
近日，《国家科学评论》发表了华中科技大学&北京中关村学院伍冬睿团队的文章“EEG-FM-Compass: Progress, Benchmarking, and Future Directions for EEG Foundation Models”。
该论文系统梳理了55个脑电基础模型，建立统一的EEG基础模型分类体系，并构建覆盖13个数据集、9种脑机接口范式的综合评测基准。通过比较12个开源基础模型与经典任务专用模型，揭示当前脑电基础模型在泛化能力、参数规模与下游适配方面的优势与局限，为下一代通用脑电基础模型的发展提供参考。
系统梳理脑电基础模型发展脉络，构建统一技术框架
在综述部分，研究团队系统梳理了脑电基础模型的发展历程与技术路线，对55个代表性脑电基础模型进行了全面总结，从数据标准化、模型架构以及自监督预训练策略等方面构建统一分析框架。研究进一步归纳了当前主流预训练范式，包括原始脑电信号重构、嵌入式特征重构、频域信息建模、神经码本学习以及自回归建模等，为理解不同模型设计背后的技术特点和发展趋势提供了系统性视角。
围绕三个关键问题，全面评估脑电基础模型能力
为公平、系统地评估脑电基础模型的实际泛化能力，研究团队构建了覆盖13个脑电数据集、9类脑机接口范式的综合评测体系，涵盖运动想象、P300、SSVEP、临床脑电、情绪识别、睡眠分析、视觉解码等典型应用场景。研究进一步比较了12个开源脑电基础模型与传统机器学习方法、深度学习专用模型之间的性能差异，并结合跨被试迁移和少样本快速适应两种实际应用场景，全面分析当前脑电基础模型的优势与局限。基于实验结果，研究团队回答了三个关键问题：
脑电基础模型是否能够学习具有广泛迁移能力的通用表征？
研究发现，当前脑电基础模型已经具备一定跨任务迁移能力，能够在不同脑机接口任务中提供有效初始化。然而，与理想中的“通用脑电表征”仍存在差距，大多数模型仍需要针对具体任务的大量数据进行全参数微调，仅依靠冻结的预训练表征难以获得稳定性能。
脑电基础模型是否能够稳定超越传统专用模型？
研究结果表明，基础模型并未在所有任务中占据绝对优势。轻量级专用模型凭借针对特定任务设计的结构，在多个脑电解码任务中依然保持强大竞争力，部分情况下甚至超过大型基础模型。这说明当前脑电基础模型仍处于快速发展阶段，尚未形成类似自然语言和视觉领域基础模型对传统模型的显著领先优势。
模型规模增大是否必然带来性能提升？
研究发现，当前脑电基础模型尚未表现出明确的规模扩展规律。更大的参数规模和更大规模的预训练数据并不一定带来更强的下游泛化能力，模型性能仍受到数据质量、预训练策略以及任务匹配程度等因素影响。
未来与展望
脑电基础模型已经展现出学习通用神经表征的潜力，但实现真正意义上的“大脑基础模型”仍存在挑战。未来发展需进一步提升高质量脑电数据规模，探索更加有效的预训练策略，并增强模型在跨设备、跨任务和低样本场景下的适应能力，从而推动脑机接口技术向更智能、普适的方向发展。
了解详情，请阅读原文 ▼
EEG-FM-Compass: Progress, Benchmarking, and Future Directions for EEG Foundation Models
Dingkun Liu, Yuheng Chen, Zhu Chen, Zhenyao Cui, Yaozhi Wen, Jiayu An, Jingwei Luo, Dongrui Wu*
National Science Review, nwag466, https://doi.org/10.1093/nsr/nwag466
NSR专访 | 脑机接口领域的定义者Miguel Nicolelis
脑机接口新方案！侧脑室植入：稳定植入与记忆引导解码 | NSR
像治疗师一样“扶着”人走路：连续触觉让助行机器人读懂身体意图 | NSR
CMU贺斌：脑机接口用于机器人控制 | NSR观点
