你有没有想过，为什么一位资深医生能同时看感冒、骨折和失眠，而现在的脑机接口却像个严重的"偏科生"——刚学会了帮你监测睡眠，就忘了怎么识别你的运动想象；调教好情绪识别，之前训练的指令解码又打回原形？
这不是科幻桥段，而是当前EEG基础模型在落地时面临的真实现状。尽管这些模型在大规模无标注脑电数据上预训练出了强大的通用表征，但一旦面对下游的具体任务——睡眠分期、运动想象、情绪识别、想象言语——工程师们依然不得不为每个任务单独微调一套参数。就像你每学一门新语言就要换一个新大脑，旧语言的词汇被洗得干干净净。这种任务隔离的静态适应（task-isolated static adaptation），不仅浪费算力，更从根本上锁死了脑机接口走向"一脑通吃"通用智能的可能。
2026年6月，浙江大学潘纲教授团队在arXiv上发表了题为《EvoBrain》的论文，首次将跨任务持续学习（cross-task continual learning）引入EEG领域。他们提出的动态适应框架，让单一预训练模型能够像人脑一样，在源源不断的异构BCI任务中持续进化，且不忘旧技。
图1 传统"一对一"微调范式与EvoBrain任务感知的持续适应策略对比
老问题：每来一个任务，就要"换脑重装"
现有的EEG基础模型后训练策略，本质上是一种"一对一"的教学：来一个任务，全量微调一遍，存一份参数。六个任务就要六个模型副本。
问题在于，这种静态范式带来了双重瓶颈。第一，知识孤岛。不同BCI范式之间并非毫无关联——运动想象和想象言语可能共享某些运动皮层的频谱特征，睡眠分期和情绪识别都涉及慢波活动——但任务隔离训练让这些跨任务的高阶神经模式无法流通。第二，成本爆炸。随着临床场景扩展，计算和存储开销与任务数线性增长，这对于需要轻量化部署的脑机接口设备而言，几乎是致命的。
更棘手的是，EEG任务流具有多层级异构性：采样率、通道数、信号时长、标签语义千差万别，甚至任务相关的神经频谱响应（neuro-spectral response）也完全不同。简单地用传统持续学习中的"回放旧数据"或"参数正则化"来硬扛，要么在新任务上适应不良，要么在旧任务上灾难性遗忘（catastrophic forgetting）。
发现"动态进化"：EvoBrain的双引擎架构
研究团队把下游适应重新定义为跨任务持续学习问题：模型必须从任务流中增量获取知识，同时缓解灾难性遗忘。为此，他们设计了EvoBrain，核心是两台互补的"引擎"：Neuro-Spectral Task Normalization (NSN) 和 Response-Affinity Distillation (RAD)。
图2 EvoBrain框架总览：从异构任务流到神经频谱归一化与响应亲和蒸馏
第一引擎：NSN——给脑电波做"智能调音台"
如果把不同EEG任务比作不同风格的音乐，NSN就是一个能自动识别曲风并调整均衡器的调音台。它包含两个旋钮。
首先是原型引导的时间归一化（Prototype-guided Temporal Normalization, PTN）。面对新任务时，模型不会粗暴地把它拉到和历史任务完全一样的统计分布，而是通过可学习的门控参数，在"历史均值"和"当前任务均值"之间做柔性插值。这就像一位经验丰富的翻译，既尊重原文语法，又保留新语言的独特韵味，避免了 rigid 对齐带来的信息扭曲。
其次是任务条件频谱残差调制（Spectral Residual Modulation, SRM）。不同BCI范式依赖的脑电频段截然不同：睡眠分期看重δ波（0.5–4 Hz），运动想象强调μ波和β波（8–30 Hz），情绪识别则与α和β活动密切相关。SRM为每个任务学习一组可解释的频带门控（band gates），在δ、θ、α、σ、β、γ六个标准频段上动态增强或抑制信号。实验显示，睡眠任务会显著增强δ频段，而运动想象任务则提升β频段响应——这与神经生理学共识高度一致。
图3 NSN在不同任务上诱导的相对线性频谱调制
第二引擎：RAD——让新老任务"气味相投"才合作
仅有归一化还不够。持续学习的经典困境是可塑性-稳定性权衡（plasticity-stability trade-off）：学新任务时，旧任务的神经表征容易被覆盖。
RAD的设计精妙之处在于，它不只是机械地"背诵"旧知识，而是聪明地判断：新任务和旧任务在频谱上是否"投缘"？
它由两部分构成。响应几何蒸馏（Response-Geometry Distillation, RGD）像一位严格的私塾先生，要求当前模型（学生）在处理旧任务回放样本时，保持与冻结旧模型（教师）相同的样本间关系几何。通过匹配非对角线的关系矩阵，旧任务的内在结构被牢牢锁定。
频谱亲和对齐（Spectral-Affinity Alignment, SAA）则更进一步。它计算当前任务与回放任务的频谱亲和度——如果两个任务的频带门控向量方向相似，就允许它们在响应统计上进行对齐；如果频谱特征八竿子打不着，对齐损失就会被抑制。这避免了负面迁移。
图4 在RAD约束下旧任务响应关系结构的保持情况
数字会说话：一个模型，六项任务，低遗忘
研究团队在六个异构BCI任务上展开了系统验证：睡眠分期（ISRUC）、运动想象（PhysioNet-MI 与 BCIC-IV-2a）、情绪识别（FACED）、想象言语（BCIC2020-3）以及精神障碍诊断（Mumtaz）。他们测试了四种主流EEG基础模型骨干，包括基于Transformer的CBraMod、基于Mamba的EEGMamba，以及CSBrain和DeeperBrain。
结果令人印象深刻。以CBraMod为例，在顺序学习全部六项任务后，EvoBrain的平均平衡准确率保持在60.7%，相对遗忘率仅约2.4%。在某些情况下，后续任务甚至带来了正向迁移：例如EEGMamba在学习新任务后，FACED情绪识别的准确率从0.439提升至0.450。
图5 跨任务持续学习在三种不同任务顺序下的性能演化轨迹
与现有持续学习基线（如EWC、LwF、DER++、AGEM等）相比，EvoBrain在雷达图上形成了一个更大、更均衡的性能包络。传统方法在复杂任务（如FACED九类情绪识别）上往往出现明显的向内塌陷，而EvoBrain依然稳健。
图6 EvoBrain与多种持续学习基线方法的雷达图对比与稳定性-可塑性散点分析
从"专用脑"到"通用脑"：脑机接口的下一步
如果只停留在算法层面，显然不够。这项研究对脑机接口的工程化落地有着直接的启示。
当前临床BCI系统大多是"一个场景一台设备"：睡眠实验室用睡眠模型，康复中心用运动想象模型。EvoBrain展示的持续进化能力，意味着未来的脑机接口可能只需要一个预训练好的通用"大脑"，就能在临床随访中逐步适配新患者、新范式，而无需从零开始训练。这对于需要长期佩戴、电池和算力都极其有限的植入式或便携式设备而言，是效率上的质变。
论文共同作者潘纲教授所在的浙江大学脑机智能国家重点实验室，长期致力于脑机接口与类脑计算研究。正如他们在论文中指出的，实现"one-for-all"的通用神经解码，不仅需要更大的预训练语料，更需要能够支持序列化任务扩展的动态后训练机制。
更深层的意义在于，EvoBrain提供了一种神经频谱感知的持续适应范式。它告诉我们：人脑之所以能在一生中不断学习而不崩溃，或许正是因为感知与行动、频谱与统计、记忆与可塑性之间存在着精妙的动态平衡。AI要真正服务大脑，也得学会这种平衡。
参考：Yangxuan Zhou, Sha Zhao, Jiquan Wang, Shijian Li, Gang Pan. EvoBrain: Continual Learning of EEG Foundation Models Across Heterogeneous BCI Tasks. arXiv:2606.01767, 2026.
脑机接口社区是国内首家脑机接口(BCI)产业服务平台、国内脑机接口新媒体开创者与引领者。主要为企业、科研团队、投资机构和从业者提供以下服务：
宣传报道：图文、短视频、直播形式报道企业动态、技术解读、产品介绍等内容，提升曝光和行业影响力。
资源对接：根据需求匹配资本、供应链、临床机构、渠道方等资源，完成真实对接，促进合作。
成果转化：协助技术团队寻找产业方、投资人及落地场景，推动技术到产品的转化。
活动策划执行：承接线上线下路演、沙龙、论坛等活动的策划与执行。
其他定制需求：包括报告定制、市场调研、人才招聘支持等个性化服务。
合作洽谈，请联系微信：ZuoLeiLeiya
（备注：姓名-单位-合作）
投稿丨成为创作者，请联系微信：RoseBCI
🌟星标置顶🌟
不错过每一条脑机前沿进展
一键三连「分享」、「点赞」和「在看」
欢迎在评论区聊聊
