浙江大学脑机智能全国重点实验室研究人员联合其他单位研究人员共同提出自动脑电分析框架EEGAgent。相关研究以《EEGAgent：一种利用大语言模型进行自动EEG分析的统一框架》为题，介绍了通过大语言模型规划、调用多种分析工具，完成脑电信息感知、片段探索、事件检测及报告生成的方法。
团队在公开脑电数据集上评估了框架的相关能力，展示了其在多任务协同分析和自动脑电解释方面的应用潜力。
01
面向脑电分析中的任务隔离问题
脑电图（EEG）通过头皮电极记录神经元活动产生的电信号，具有非侵入、高时间分辨率和操作成本较低等特点，广泛用于脑状态分析。然而，脑电信号随时间变化明显，不同受试者之间差异较大，复杂波形也增加了解释难度。临床实践中的人工判读依赖专业经验，耗时、费力，并具有一定主观性。
机器学习和深度学习已被用于癫痫发作检测、睡眠分期等任务，但现有多数模型围绕单一目标设计。实际分析往往需要同时处理伪迹去除、事件检测、信号分类等工作，并结合患者背景进行连续推理。单个模型难以协调这些相互关联的任务，形成了论文所指出的“任务隔离”问题。
针对这一问题，团队将大语言模型的任务规划和上下文推理能力引入脑电分析，以统一调度不同工具，衔接从信号处理到结果解释的工作流程。
02
以知识检索和多粒度工具支持动态分析
EEGAgent基于Qwen3-235B构建，并集成脑电领域知识库。接收任务后，系统检索相关知识，结合受试者信息、记录元数据及脑电信号制定计划，选择工具执行分析，再根据返回结果继续推理，直至完成任务。
图1 EEGAgent总体框架
框架的工具箱同时包含深度学习模型与统计、信号处理工具。前者用于识别复杂信号模式，后者用于提取振幅等基础特征。团队进一步按时间与空间粒度组织工具，使系统既能评估完整记录和全通道信息，也能分析短时间片段、定位单个通道上的异常。
这一设计支持由粗到细的分析过程：先对较长记录进行扫描，发现可疑区间后，再调用更细粒度的工具确定事件的时间与空间分布。工具组合随任务需求和数据上下文调整，并将多种分析结果整合为可解释的输出。
03
公开数据集验证探索与事件定位能力
团队采用美国天普大学医院脑电语料库中的TUAB、TUEV和TUSL开展评估，分别涉及正常与异常记录、细粒度脑电事件，以及慢波与其他活动的区分。
在信息感知实验中，研究考察系统能否提取年龄、记录时间、通道配置等信息，并将患者背景纳入后续解释。
图2 EEGAgent对脑电数据环境的感知示例
在片段探索案例中，面对“分析第5分钟到第6分钟脑电数据”的请求，EEGAgent先调用模型识别慢波活动，再计算各通道振幅，结合空间分布与患者年龄形成分析结果，展示了多工具协同处理指定片段的过程。
图3 EEGAgent对指定脑电片段的探索分析示例
事件检测采用分层多尺度策略。论文案例中，系统先识别出0至10秒的可疑区间，随后逐步细化，将右额中央区域F4-C4通道的0至1秒定位为事件起始位置。
图4 EEGAgent对癫痫样放电的分层检测与时空定位示例
在TUEV测试集的癫痫样放电检测任务中，团队将SPSW、GPED和PLED合并为阳性类别，并以同一通道上预测事件与参考事件的交并比大于0.7作为正确判定标准。在这一条件下，框架的精确率为69.30%，召回率为44.77%。
04
生成结构化报告，支持自动脑电解释
报告生成方面，团队参考美国临床神经生理学会（ACNS）相关标准，设计了自动报告流程。系统接收完整脑电记录后，生成包含基本信息、背景活动、异常事件和诊断结论的结构化报告。在论文展示的案例中，报告描述了枕区alpha节律减慢、弥漫性慢波和左额中央癫痫样放电等发现。
图5 EEGAgent生成的结构化脑电报告示例
研究人员在论文中指出，TUAB缺少成对的脑电记录与标准化报告，报告生成的定量评估仍具有挑战性。现有验证主要展示了自动脑电解释及结构化输出的可行性。
该项研究总结，EEGAgent将智能体系统与脑电分析相结合，通过具备时间、空间粒度的工具箱和上下文感知调度，支持感知、探索、检测、交互与报告生成。研究表明，这一框架能够提高脑电分析的效率、可扩展性和可解释性，体现了大语言模型驱动智能体在自动脑电解释及支持临床决策方面的潜力。
END
来源 | 浙江大学脑机智能全国重点实验室
审核 | @脑机学苑
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
一键三连「分享」、「点赞」和「在看」
欢迎在评论区聊聊
