当抑郁症患者首次佩戴非侵入式脑电（EEG）头环，系统在未进行任何个性化校准的情况下，即刻解析其情绪状态并启动干预——这一"开箱即用"的脑机接口能力，正由浙江大学团队从理论推向实践。近日，该校潘纲教授团队提出一种神经生理学启发的脑电基础模型（DeeperBrain），通过将神经电生理的物理先验嵌入深度学习架构，实现了真正意义上的跨任务通用脑机接口。
通用脑机接口的"异质性困境"
脑电信号解码面临多重异质性挑战：
在信号层面，EEG具有非平稳性和低信噪比（SNR）特征，受试者个体差异、肌肉伪迹及工频噪声（50/60Hz）严重干扰信号质量。
在硬件层面，不同设备采用6至128个电极，采样率从200 Hz到2048Hz不等，导致空间对齐不一致。
在功能层面，运动想象、情绪识别、癫痫检测等任务依赖截然不同的神经机制，涵盖从特定频段的感觉运动节律到复杂的广泛网络振荡。
现有EEG基础模型多采用通用序列建模架构，通过掩码自编码（masked autoencoding）进行预训练。然而，这些模型在端到端微调时表现尚可，在冻结探测（frozen-probing）协议下——即固定预训练主干网络，仅训练任务特定的预测头——性能急剧下降。研究人员指出："这表明现有模型学到的只是场景特定的统计规律，而非普适的神经生理学表征。要实现通用BCI，模型必须内化大脑活动的生物物理原理。"
图1. DeeperBrain概览。
神经物理先验的架构嵌入
DeeperBrain的核心创新在于将EEG生成的物理定律转化为架构层面的归纳偏置。
在空间维度，团队针对容积传导（volume conduction）现象建模。头皮EEG电位源于电流通过头颅导电组织的被动扩散，遵循准静态麦克斯韦方程。团队基于三维电极坐标（MNI空间），构建可学习的空间衰减核：信号相似度随电极间欧氏距离呈指数衰减，衰减系数τ初始化为8 厘米（典型电极间距）。这种设计模拟了神经源信号经容积传导后的空间混叠效应，使模型能够从模糊的传感器观测中解耦潜在神经源。图2显示，相比基线方法的离散脉冲响应，DeeperBrain的中央电极（Cz）感受野呈现平滑的各向同性扩散模式，符合物理定律。
图2 高密度10-5电极排列空间感受野的比较。
在时间维度，团队设计了神经动力学感知的位置编码。传统正弦位置编码仅捕捉序列顺序，缺乏对"时间之箭"的建模。DeeperBrain结合两种生物学启发的基函数：慢振荡基覆盖0.01–0.5 赫兹（周期2–100 秒），用于建模持续性注意或睡眠阶段转换；自适应衰减基采用指数函数，时间常数τ覆盖1–100 秒，模拟神经适应的耗散特性。图3对比显示，这种编码显式分离了准周期性节律（上部）与单向衰减记忆（下部），为Transformer提供了符合神经动力学的时间结构先验。
图3 时序位置编码的比较
双目标预训练策略
预训练阶段采用双目标框架：掩码脑电重建（Masked EEG Reconstruction, MER）与神经动力学统计预测（Neurodynamics Statistics Prediction, NSP）。
MER任务要求模型从50%掩码的输入中重建原始波形，使用Smooth L1损失（Huber损失，β=1.0），确保对癫痫尖波、睡眠纺锤波等瞬态事件的精细捕捉。NSP任务则强制模型预测19种宏观脑状态参数，包括相对谱功率（δ、θ、α、β、γ频段）、相位锁定值（phase-locking value, PLV）表征的功能连接、跨频率耦合（cross-frequency coupling, CFC）及样本熵表征的动态复杂度。
图4显示，在FACED数据集上的零样本测试中，模型对α频段功率的预测与地面真值的皮尔逊相关系数达0.82，样本熵达0.75，证实了表征与神经生理机制的对齐。值得注意的是，CFC指标相关系数仅0.01，这并非模型缺陷，而是反映了该指标在被动观看任务中的稀疏性——模型学会了识别噪声主导的指标并避免过度拟合。
图4 神经动力学一致性可视化（在FACED上的零样本）
跨任务泛化验证
DeeperBrain在14个公开数据集（总计17,200 小时，2,438,653个样本）上进行预训练，覆盖临床诊断、睡眠研究、认知神经科学等领域。下游任务涵盖9分类情绪识别（FACED）、4分类运动想象（PhysioNet-MI, BCIC-IV-2a）、5分类睡眠分期（ISRUC）、癫痫检测（CHB-MIT）等10项任务。
在端到端微调下，DeeperBrain在FACED数据集上达到60.32%平衡准确率（Balanced Accuracy），较EEGNet（40.90%）和LaBraM（52.73%）显著提升。在更为严苛的冻结探测协议下，DeeperBrain在FACED上仍保持50.96%的准确率，而LaBraM降至16.13%，CBraMod降至25.84%。表IV数据显示，在PhysioNet-MI（4分类）、SHU-MI（2分类）、MODMA（抑郁症诊断）等任务中，DeeperBrain在冻结设置下均优于现有基线，证明其学到的表征具有内在普适性，无需任务特定适应即可支持高性能解码。
消融实验（图5、图6）验证了各组件的贡献。移除容积传导感知编码后，空间泛化能力下降；移除神经动力学时间编码后，时序建模精度降低；仅使用单一预训练目标（MER或NSP）均导致性能下降，表明信号保真度与动力学一致性是互补而非冗余的目标。
图5 在位置编码上的性能比较（均值±标准差，%）不平衡准确率。
图6 在预训练目标上的性能比较（平均值±标准差，%），不平衡准确率。
临床转化前景
该研究填补了神经物理启发表征学习的空白。研究人员表示，团队下一步将探索流式推理机制，以支持实时BCI应用，并扩展预训练数据的全球人口代表性，减少地理集中度带来的偏差。
DeeperBrain的冻结探测性能具有重要工程意义：在实际临床场景中，新患者往往只有少量校准数据。该模型可作为鲁棒的通用特征提取器，仅需训练轻量级预测头，大幅降低计算开销和过拟合风险，为穿戴式情绪监测、神经疾病筛查等应用铺平道路。
来源：https://arxiv.org/abs/2601.06134
仅用于学术分享，若侵权请留言，即时删侵！
推广丨商务合作，请联系
微信：ZuoLeiLeiya （备注：姓名-单位-商务合作）
交流 | 加群交流，请联系
微信：RoseBCI（备注：姓名-单位-交流）
投稿丨成为创作者，请联系
微信：RoseBCI（备注：姓名-创作者）
一键关注👇点亮星标
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
