华中科技大学伍冬睿团队：55个脑电基础模型的系统梳理与统一基准评测框架

过去两年，EEG基础模型快速涌现。与此同时，不同研究在预训练数据、预处理流程、预训练方法、下游数据集数据划分和适配方式上差异较大，使得论文中的结果往往难以直接横向比较。该工作归纳了一个统一的技术框架，并设计了一套完整的评测系统来解决现有痛点。

由华中科技大学伍冬睿团队提出的EEG-FM-Compass工作近期发表于National Science Review (IF=18.1)期刊。该工作系统全面总结了当前55个代表性EEG基础模型，将它们归纳到统一技术框架中。并设计了一套统一评测基准，全面测评12个EEG基础模型和8个传统模型在9个范式、13个数据集上的真实表现。

系统梳理：EEG基础模型统一技术框架

EEG基础模型的主要目标，是利用大规模无标签异构脑电数据进行预训练，并把学到的通用表征应用到不同范式、不同场景、不同硬件设备的下游脑机接口任务中。不同EEG基础模型对通道异构、时域异构、信号归一化以及自监督目标的处理方式并不相同。

EEG-FM-Compass系统梳理了55个代表性模型，并组织为统一技术框架，包括数据预处理、模型架构以及自监督预训练策略等。对于自监督预训练目标，工作进一步归纳了原始信号掩码重建、嵌入Token掩码重建、频域重建、码本式重建以及自回归/因果重建等路线。该工作建立一套统一技术框架，便于比较不同方法在哪些环节存在差异。

图1 EEG-FM-Compass梳理的EEG基础模型预训练流程、下游任务覆盖与两类评测场景。

统一基准：全面评测各场景下模型表现

在基准评测部分，研究团队选择12个开源EEG基础模型，以及8个专用小模型作为基线，在9个下游范式，13个公开数据集上进行比较。9类代表性脑机接口范式包括运动想象、P300、稳态视觉诱发电位（SSVEP）、临床检测、情绪识别、视觉解码、疲劳检测、睡眠分期和工作负荷检测。

评测使用两类常见部署场景。第一类是跨被试留一法（LOSO）：利用其他被试的标注数据进行适配，再在未参与微调的目标被试上测试，重点考察跨被试泛化。第二类是被试内少样本（Within-subject few-shot）：只使用目标被试少量标注数据进行快速校准，更接近日常BCI使用中“少量校准后即可使用”的需求。

对于模型微调方式，该工作还对比了全参数微调和线性微调（冻结预训练编码器、只训练分类头）两种方式。前者反映模型经过任务特定适配后的能力，后者则更直接地检验模型是否真正在预训练中学到了通用可靠的预训练表征。

三个关键结论：

结论一：通用表征直接迁移仍不够稳定。在论文的测评实验分析中，12个EEG基础模型中大部分表现出全量微调显著优于线性微调的结果。这意味着通用预训练也许能够提供有用的初始化，但对于当前多数EEG基础模型，仅依靠预训练中提取的通用表征难以在下游任务中真实运用。

结论二：专用轻量模型仍然具有很强的竞争力。在统一测评实验中下，传统机器学习、CNN和Transformer类专用轻量模型的表现并不弱于基础模型。论文的整体排名与统计比较显示，部分轻量专用模型在多个下游任务上仍处于前列；即便是表现最好的基础模型，也没有在所有任务上形成稳定显著的优势。

图2 专用模型与表现较好的7个EEG基础模型在全部任务/场景中的Top-1与Top-3累计次数对比。

结论三：规模定律尚未显现。对相同架构，不同参数规模以及不同架构，参数规模显著差异的EEG基础模型进行比较后，该工作并未观察到模型规模与下游综合排名之间的单调关系。在当前数据规模、数据质量与训练方法下，单纯增加参数量并不能保证更好的泛化表现。此结论并非否定规模化路线，但EEG领域的Scaling Law仍受到高质量数据等多方面因素影响，不能完全照搬大语言模型以及图像领域的已有的规模化结论，仍需进一步探索。

图3 EEG基础模型的发布时间、参数规模与综合排名关系，气泡大小表示参数量。

未来方向：数据质量、特定范式与高效适配

基于综述和统一评测，EEG-FM-Compass将未来方向更多地指向如何让模型学到更有效的通用特征，而不是简单的继续扩大模型以及增加模型通用性。对于未来研究，可能包含下面这些方向。首先，非侵入式EEG本身信噪比低，直接拼接大量无标签数据可能无法获取真实有效的带信息的EEG数据。系统地筛选，清洗预训练数据仍然是非常重要的第一步。其次，比让模型更通用更重要的是让模型更实用。当前模型解码精度仍然较低，而很多真实BCI应用在采集数据之前就已经知道目标范式，例如运动想象康复、睡眠分期或癫痫监测。在这类场景中，引入明确神经生理先验、围绕特定范式进行预训练的“范式特定基础模型”，可能是更务实的技术路径之一。再次，少样本适配甚至零样本仍是当前基础模型的重要挑战。未来需要继续研究异构数据预处理、更具通用性的预训练策略，以及参数高效微调、快速分布对齐等适配策略，使模型在更少校准数据下仍能保持稳定表现。

综上所述，EEG-FM-Compass工作全面地整理了脑电基础模型研究技术路线并提出了系统的、公平的基准评测框架，揭示了当前脑电基础模型的发展现状与关键挑战，为未来脑机接口研究提供启发。

END

来源 | 华中科技大学伍冬睿团队

运营 | 罗卜

审核 | @脑机学苑