清华大学刘永进团队提出并开源EEGDM基础模型：让AI在生成过程中学习脑电特征

脑电信号记录着大脑的电活动，可以为脑电异常分析、运动想象识别和情绪研究提供信息。要从这些复杂的波形中提取有用特征，人工智能需要应对不少困难：信号噪声多，变化复杂，不同数据集的电极数量、采样率和记录长度也存在差异。一个任务上训练好的模型，换到另一种采集条件或分析任务中，往往需要重新适配。

清华大学刘永进教授研究团队提出了脑电自监督学习框架 EEGDM。研究人员让模型先利用没有人工类别标签的脑电数据，学习逐步生成信号，再将训练得到的编码器用于具体分析任务。论文在六类任务中验证了这一方法，并考察了它识别少数类别、生成额外训练数据的能力。相关成果已被IEEE Transactions on Biomedical Engineering录取，代码开源。

自监督学习的一个特点，是从数据本身构造训练任务，无需额外标注。以脑电领域常用的掩码重建为例：先遮住部分信号，让模型根据其余内容补全，再用原始信号检查补得是否准确。这有点像做填空题，被遮住的内容就是现成的答案。

EEGPT、LaBraM、CBraMod等脑电模型都采用了这一类预训练思路。不过，脑电的相邻片段往往存在较强联系，部分缺口仅凭附近的波形就能补全。研究团队因此希望设计一个更需要利用整体信号结构的训练任务，让模型关注较长时间范围内的变化，以及不同电极记录之间的关系。

EEGDM采用了扩散生成的思路。模型在训练中接触加入不同程度噪声的脑电，练习预测和去除噪声；生成时，则根据脑电特征提供的线索，从噪声出发逐步还原信号。研究人员希望借助这个过程，训练出能够为多种脑电分析任务提取特征的编码器。

EEGDM的架构中有两条相互配合的路径。

上方路径处理需要还原的脑电。研究团队先利用主成分分析（PCA），将脑电片段压缩到保留主要变化的较小空间，也就是“潜在空间”。扩散模型在这个空间里学习去噪，得到的结果再转换回脑电波形。这样可以降低生成目标的维度，减少直接处理原始信号的复杂度。 

图1 EEGDM整体架构：编码器提取关键脑电特征，指导扩散模型生成信号；生成任务的反馈又帮助编码器学习。

下方路径负责提供条件特征。原始脑电以及两个经过增强变换的版本，一起送入脑电编码器。其中一种变换遮住短时间片段，另一种小幅调整信号幅度。编码器分别提取特征，再将它们汇总，指导扩散模型还原对应的脑电。

两个模块通过同一个生成任务共同训练。扩散模型预测的噪声与实际加入的噪声之间存在误差，训练会据此调整模型参数。这份反馈也会传回编码器，推动它保留更有助于信号还原的信息。编码器由此获得了一个具体的学习目标：提取能够指导脑电生成的特征。 整个预训练过程不依赖人工类别标签。

预训练完成后，编码器接上针对具体任务的预测模块，再使用相应任务的数据进行微调。下游分析只需运行编码器和预测模块，扩散生成模块不参与每一次分类判断。

图2 下游分析流程。预训练编码器提取脑电特征，任务预测模块输出分析结果。

研究团队在脑电事件分类、异常脑电检测、运动想象分类、认知负荷评估、情绪识别和情绪分布预测六类任务中评估了EEGDM。其中最后一项任务需要预测多种情绪的分布，对特征的细致程度提出了不同要求。

经过微调，EEGDM在六类任务的主要指标上均位列论文对比方法的前二。分类任务采用平衡准确率，情绪分布预测采用衡量预测分布与目标分布差异的KL散度。

相同模型结构下，预训练带来了多少提升？

团队使用相同的编码器结构，对比了从头训练、固定预训练编码器只训练预测模块，以及预训练后整体微调三种方式。

在TUEV脑电事件分类任务上，从头训练的平衡准确率为58.25%，预训练后整体微调达到68.26%，提高约10个百分点。由于编码器结构相同，这组对照有助于区分预训练和模型规模各自的影响，也为生成式预训练的作用提供了证据。

图3 不同方法在TUEV脑电事件分类任务上的表现对比。微调后的EEGDM在平衡准确率、G-Mean和Macro AUC-ROC指标上取得最高均值。表中数值为均值±标准差。

数量较少的脑电事件，识别情况如何？

TUEV中不同类别的样本数量差异可达80∶1。在这种情况下，模型即使漏掉不少少数类别样本，总体成绩仍可能看起来不错。平衡准确率会先分别计算各类别的识别水平，再取平均，便于观察模型对不同类别的表现。

在主要对比实验中，EEGDM的平衡准确率为 68.26%，CBraMod为64.24%，LaBraM-Base为61.73%，EEGPT为60.82%。

在较少见的SPSW脑电事件上，LaBraM、EEGPT和CBraMod的召回率最高为18.0%，EEGDM达到 50.3%。按每100段该类脑电样本换算，正确识别的数量相当于从最多约18段提高到约50段。这种提升对于少见脑电事件的自动筛查具有应用潜力：即使某类事件在数据中占比很小，模型也能更有效地将其识别出来，减少遗漏。

生成的脑电能否用来补充训练？

团队还在认知负荷评估数据集CL-Drive上测试了数据增强。他们以真实脑电提取的特征为条件生成新样本，再将这些样本加入原有训练集。

其中，保持原有类别比例的增强方案，将平衡准确率从 53.57%提高到58.96%，增加约5.4个百分点。这项实验验证了生成模块的另一种用途：为下游分析提供额外的训练样本。

EEGDM将无标签数据上的生成训练与具体任务上的微调衔接起来。同一个预训练编码器可以作为不同脑电分析任务的起点，生成模块则可用于探索数据增强。对于脑机接口、情绪识别和临床脑电分析研究，这些能力提供了可进一步验证和扩展的方法。

现有结果来自数据集评估。在更广泛的采集条件和实际应用场景中，这套方法的效果仍需进一步检验。

相关论文《EEGDM: Learning EEG Representation with Latent Diffusion Model》已获 IEEE Transactions on Biomedical Engineering（TBME） 录用。团队已开放源代码、预处理脚本和训练配置，研究者可以据此复现实验，并开展后续研究。

论文：EEGDM: Learning EEG Representation with Latent Diffusion Model. IEEE Transactions on Biomedical Engineering. Digital Object Identifier 10.1109/TBME.2026.3740193

网址：https://ieeexplore.ieee.org/document/11719879

开源代码：https://github.com/wangsc18/EEGDM

相关论文及开源代码：

EEG-Based Emotion Recognition for Machine Intelligence: A Survey with an Open-Source Python Toolbox. National Science Review, nwag460, DOI: 10.1093/nsr/nwag460, 2026

https://doi.org/10.1093/nsr/nwag460

END

编辑 | 清华大学刘永进教授研究团队

来源 | IEEE Transactions on Biomedical Engineering（TBME）

审核 | @萝卜

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