L-FAME: Longitudinal Focused Attention Meditation EEG Dataset and Benchmark¶

会议: NeurIPS 2026
arXiv: 2605.22893
代码: https://huggingface.co/datasets/L-FAME-Dataset-Benchmark/L-FAME
领域: 医学图像
关键词: 脑电图解码, 纵向冥想数据集, 专注冥想, 跨时程领域自适应, 深度学习基准

一句话总结¶

针对自发性认知状态缺乏客观触发标签及长期神经漂移导致模型严重退化的问题，本文提出了首个覆盖 6 周训练周期、包含 74 名被试在三种专注冥想（呼吸专注与两类心咒冥想）下的 64 导高分辨率纵向脑电数据集 L-FAME，并构建了涵盖状态解码、细粒度技术分类与小样本跨期自适应的三级评测基准。

研究背景与动机¶

基于脑电图（EEG）的神经解码正在从早期的刺激诱发或运动想象任务，逐步扩展至持续、内源性自发认知状态的识别，如心智游移、心理疲劳与专注冥想。然而，与具有严格时间锁定的刺激诱发范式截然不同，这类内源性状态缺乏显式外部触发器，客观真实标签的定义极为困难。虽然专注冥想（FAM）在临床心理健康与注意力调控中具有重要应用，且其神经特征与心智游移存在显著差异，但现有的冥想脑电研究绝大多数依赖横截面（cross-sectional）实验设计，仅对比长期禅修者与新手的差异，无法捕捉个体在接受系统训练过程中的动态神经可塑性变化。

这种研究范式的局限导致了一个严重的核心矛盾：脑电解码模型在单次会话的个体内（intra-subject）评估中往往能取得超过 95% 的极高准确率，但当模型被直接部署于数周后的随访数据或跨被试场景时，由于电极阻抗变化、生理伪影以及纵向神经表征漂移，性能会出现灾难性骤降。现有少数纵向冥想数据集不仅样本量极小（通常仅十几人），而且仅限制在单一冥想技术（如正念减压疗法 MBSR），缺乏不同认知机制（如体感注意 vs. 内部言语复述）的横向对照，更无法支撑针对时间非平稳性（temporal non-stationarity）的模型鲁棒性评测。

为了打破自发认知状态缺乏纵向基准与跨期泛化受阻的双重壁垒，本文设计并开源了首个多技术对比的 6 周纵向专注冥想脑电基准。核心 idea：构建包含 74 名被试、64 导高保真、横跨 6 周干预前后并在三种认知机制各异的专注冥想（呼吸专注 BF、两类心咒冥想 HK 与 SA）间严格对照的纵向脑电数据集 L-FAME，并设立状态解码、技术分类与小样本跨时程自适应三级基准，系统解构纵向神经漂移与跨被试差异的本质机理。

方法详解¶

整体框架¶

L-FAME 的完整构建与评测流水线由被试招募与纵向实验设计、严格受控的五阶段脑电采集与 BIDS 标准化预处理，以及递进式三级机器学习与深度学习基准构成。输入为 74 名健康大学生的 64 通道连续脑电信号，经过基于伪影去除、坏道插值与 ICA 清洗的标准预处理后，切分为 4 秒无重叠或带重叠的时序张量，输入到包括传统浅层模型与前沿时空卷积/自注意力模型中，进行闭眼静息态与专注冥想态的辨识、不同冥想流派的判别以及跨 6 周的时序模型自适应迁移。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["74名无经验被试随机分组<br/>BF呼吸专注 / HK长心咒 / SA短心咒"] --> B["前测基准采集 (N=74)<br/>五阶段脑电序列 + 心理量表"]
    B --> C["6周渐进式日常冥想干预<br/>5→10→15分钟/日 + 日志追踪"]
    C --> D["后测随访采集 (N=44)<br/>配对纵向留存与MCAR无偏性验证"]
    D --> E["BIDS标准化预处理流水线<br/>Zapline滤波 + ASR插值 + ICLabel-ICA"]
    E --> F["Task 1: 认知状态解码<br/>闭眼静息态 vs. 沉静专注冥想"]
    E --> G["Task 2: 细粒度技术分类<br/>三类冥想范式跨被试区分与表征演化"]
    E --> H["Task 3: 跨时程自适应迁移<br/>前测模型在后测数据的Zero/Few-Shot校准"]

关键设计¶

1. 纵向三范式实验设计与客观行为/心理基准建立

针对传统脑电冥想研究混杂流派且缺乏纵向可比性的痛点，研究招募了 74 名无冥想经验的健康大学生，严格均衡地随机分配至三种专注冥想组：呼吸专注（Breath Focus, BF，聚焦于呼吸体感并配合交替鼻孔呼吸）、短心咒冥想（SA-TA-NA-MA, SA，简单四音节内部默念）以及长心咒冥想（Hare Krishna, HK，长序列音节内部复述）。受试者在基线（前测）与 6 周干预后（后测，44 名完成完整周期）分别完成标准化的 64 导脑电记录会话，每次会话包含严格对齐的五阶段任务：2 分钟睁眼静息（restOE）、4 分钟闭眼自发心智游移静息（restCE01）、8 分钟出声活跃冥想（Medita）、4 分钟闭眼中继静息（restCE02）以及 8 分钟无动作沉静冥想（slMedita）。研究严谨验证了 40.5% 的被试脱落符合完全随机缺失（MCAR，单变量频带能量与多变量逻辑回归预测脱落 AUC 仅为 \(0.538 \pm 0.157\)），并结合知觉压力量表（PSS）、多维度内感觉觉知量表（MAIA-2）和五因素正念量表（FFMQ-SF）建立了客观行为心理学基准，证实干预显著降低了各组压力并提升了内感觉觉知。

2. BIDS 标准化与多层级清洗预处理流水线

针对连续自发脑电中眼动、肌电、工频干扰与局部坏道严重污染时域特征的挑战，流水线建立了 BIDS v1.9.0 规范，并产出两级标准衍生数据。信号采集使用 64 导 EASYCAP（FCz 为参考，FPz 接地，阻抗严格控制在 20 k\(\Omega\) 以下）。在预处理阶段，首先通过 1 Hz 零相位 Butterworth 滤波器滤除低频基线漂移，利用 Zapline-plus 算法在无损神经振荡的情况下剔除 60 Hz 工频噪声；随后引入伪影子空间重构（ASR, 阈值设为 25 倍标准差，坏通道容忍度 0.2），将识别出的坏道采用球面样条插值（Spherical Spline Interpolation）重构至完整 64 通道流形；随后利用独立成分分析（ICA）结合 ICLabel 自动辨识伪影成分，当伪影概率 \(P_{\text{artifact}} \ge 0.9\) 时予以剔除，并统一重参考至全脑平均参考（CAR）。针对下游模型输入，构建了基于 4 秒滑动窗口的规整张量集（\(64 \times 1000\) 维矩阵），为算法横向对比提供即插即用且完全对齐的数据基准。

3. 时序块交错切分与三级评测任务体系

传统的时间序列顺序切分（chronological split）在个体内评估中易受前后漂移干扰，而纯随机窗口打散又必然引起严重的时序数据穿越。为此，本文设计了防泄漏的时序块交错切分策略（Block-wise Interleaved Split）：将连续脑电按 20 秒数据块交错分配给训练集（80%）与测试集（20%），并在相邻块之间强制插入 4 秒安全间隙以彻底切断滑动窗口的时间相关性重叠。在此基础上，确立了三级评测基准： - Task 1（认知状态解码）：辨别闭眼静息（心智游移代表）与沉静冥想（聚焦注意代表），在前测全量 74 名被试上分别通过 Intra-subject、Inter-subject（5 折被试级交叉验证）和严格的留一被试（LOSO）协议全面评估个体内上限与跨人群泛化； - Task 2（细粒度技术分类）：在被试级 5 折交叉验证下分类 BF、HK 与 SA，并对比干预前后表征分离度（UMAP 与 RSA 表征相似性分析）； - Task 3（跨时程自适应迁移）：将 Task 1 在前测数据上训练的个体内模型迁移至 6 周后的后测数据，评估零样本（Zero-shot）退化程度，并探究 10-shot 与 30-shot 条件下“全参数微调”与“仅微调归一化层/分类头”的适应性恢复轨迹。

损失函数 / 训练策略¶

传统机器学习基线使用线性核支持向量机（SVM, 正则化参数 \(C=1.0\)），分别基于 5 个标准频段（\(\delta, \theta, \alpha, \beta, \gamma\)）的信道功率谱密度（PSD）展平向量（维度 \(N \times 64 \times 5\)）或 9 个频带滤波的多道滤波器组共空间模式（FBCSP, 提取 \(9 \times 4\) 维空间成分）进行训练。深度学习模型（ShallowConvNet、DeepConvNet、EEGNet 与 EEG-Conformer）统一采用带交叉熵损失函数的 Adam 优化器（\(\beta_1=0.9, \beta_2=0.999\)），针对类别不平衡引入动态加权随机采样器保持 1:1 曝光比，并通过 Optuna 贝叶斯优化在验证集平衡准确率（BAcc）指导下剪枝调优学习率（\(10^{-5} \sim 10^{-3}\)）、权重衰减（\(10^{-5} \sim 10^{-2}\)）与 Dropout 率（\(0.05 \sim 0.7\)）。Task 1/2 模型训练最长 250 个 epoch 并设置 50 epoch 早停；Task 3 小样本微调在批大小为 4 下进行 30 个 epoch 训练。

实验关键数据¶

主实验¶

主实验系统评测了传统模型与前沿深度模型在全量被试（\(N=74\)）状态解码（Task 1）及 6 周干预前后跨被试细粒度技术分类（Task 2）上的表现。

任务 / 评测协议	模型	评估指标	本文性能 (Mean ± SD)	对比基准/基线	提升 / 差距
Task 1 (Intra-Block)	FBCSP + SVM	AUC (%)	99.9 ± 0.2	PSD + SVM (97.1 ± 4.0)	+2.8% (近乎完美分离)
Task 1 (Intra-Block)	EEGNet	AUC (%)	99.2 ± 2.1	ShallowConvNet (97.2 ± 4.4)	+2.0% (深度模型最优)
Task 1 (Inter-Subject)	EEG-Conformer	AUC (%)	66.9 ± 4.7	FBCSP + SVM (55.8 ± 6.2)	+11.1% (超越传统特征工程)
Task 1 (Inter-Subject)	ShallowConvNet	AUC (%)	66.5 ± 3.9	PSD + SVM (59.4 ± 3.8)	+7.1% (浅层卷积抗过拟合优)
Task 1 (LOSO)	ShallowConvNet	AUC (%)	70.4 ± 20.8	DeepConvNet (68.4 ± 26.8)	+2.0% (跨被试最稳健)
Task 2 (Pre-test, N=74)	ShallowConvNet	PR-AUC (%)	38.0 ± 6.2	随机猜测理论阈值 (33.3%)	+4.7% (初期表征纠缠严重)
Task 2 (Post-test, N=44)	EEGNet	PR-AUC (%)	48.8 ± 8.6	自身前测配对 (42.9 ± 8.7)	+5.9% (6周训练显著固化特征)

消融实验¶

消融与扩展分析重点考察了：(1) Task 3 跨时程 6 周自适应在不同样本量下的性能恢复；(2) 跨时序切分协议（块交错 vs. 严格时序先后）对泛化真实性的影响；(3) Task 2 配对被试下的表征相似度（RSA）余弦距离演化。

配置 / 实验切片	关键指标	测量值 (Mean ± SD)	说明
Task 3: Zero-shot (EEGNet)	AUC (%)	63.1 ± 17.8	跨 6 周后未校准模型发生严重时序漂移退化
Task 3: 10-shot 全微调 (EEGNet)	AUC (%)	76.5 ± 21.2	仅需每类 8.5 秒数据，AUC 迅速反弹 +13.4%
Task 3: 30-shot 全微调 (EEGNet)	AUC (%)	79.3 ± 21.6	仅需每类 18.5 秒校准，逼近跨被试性能水平
Task 3: 上限 Intra-Block (EEGNet)	AUC (%)	95.4 ± 8.3	理论性能天花板，与 30-shot 仍留有 ~16% 神经可塑性鸿沟
Task 1: Intra-Chrono (EEGNet)	AUC (%)	96.8 ± 2.1	严格按时间先后切分，相比 Intra-Block (99.2%) 下降 2.4%
Task 2 表征相似度: HK ↔ SA (Pre)	Cosine 相似度	0.953	前测两类心咒冥想在内隐言语表征上高度纠缠
Task 2 表征相似度: HK ↔ SA (Post)	Cosine 相似度	0.250	6 周训练后两类心咒特征出现显著可分离性分化
Task 2 表征相似度: BF ↔ SA (Post)	Cosine 相似度	-0.482	呼吸专注（体感）与心咒（言语）在后测呈近乎正交/负相关

关键发现¶

个体内与跨被试的巨大鸿沟：在 Task 1 认知状态解码中，所有模型在 Intra-Subject 评估中均可取得 97%~99.9% 的惊人表现，但在跨被试（Inter-Subject 和 LOSO）协议下，AUC 骤降至 66%~70%，呈现高达 30% 的断崖式下跌。这证明以往诸多文献仅报告个体内高准确率并不能代表真实世界的 BCI 可用性。
浅层卷积对抗跨被试过拟合的优势：在跨被试与 LOSO 评测中，层数较浅的 ShallowConvNet 和参数紧凑的 EEGNet 均显著超越复杂的 DeepConvNet 与 Transformer 结构的 EEG-Conformer。浅层卷积结构通过更少的参数量提供了强大的隐式正则化，有效避免网络记忆个体特异的脑电噪声。
体感专注与内隐言语专注的本质神经分化：在 Task 2 技术分类与一对多（OvA）实验中，呼吸专注（BF）的分类准确率和 AUC 显著高于两类心咒组（\(p < 0.001\)）。后测的表征几何（UMAP 与 RSA）进一步证明，基于躯体感觉监测的呼吸专注与基于语音环路复述的心咒冥想具有本质不同的皮层活动模式，而长心咒（HK）与短心咒（SA）之间虽历经 6 周分化，但仍共享相似的神经认知基质。
小样本快速校准解决时序漂移的有效性：Task 3 表明，跨 6 周时序概念漂移可以通过极其经济的 30 个标注样本（对应每类仅 18.5 秒脑电）使模型性能恢复至 79.3% AUC。全网络微调在个体水平上全面优于仅更新归一化层/分类头的线性微调，证明轻度微调即可重塑底层特征对齐。

亮点与洞察¶

兼顾纵向跨度与机制对照的稀缺数据集：L-FAME 填补了自发性认知状态缺乏标准化基准的空白，不仅提供了 74 名被试跨越 6 周的 64 导高分辨率脑电，还前瞻性地并行设置了三种不同认知维度的专注冥想流派，使神经科学与机器学习研究者能够解耦体感注意与内隐言语注意的差异。
严格消除被试流失偏倚与数据穿越：研究不仅详尽验证了 40.5% 的随访流失严格符合 MCAR 机制，还在切分逻辑上首创了 20 秒块交错配对 4 秒安全缓冲间隔（Block-wise Interleaved with Safety Gap），彻底解决了连续时序信号中时间泄漏掩盖过拟合的行业顽疾。
揭示了“统计学显著差异”与“机器学习端到端可解码性”的脱节：过去神经科学文献常声称不同冥想流派具有独特的神经震荡表征，但 L-FAME 证明在严格跨被试协议下三分类 PR-AUC 仅为 48.8%，表明群体水平的统计均值差异远不足以支撑鲁棒的端到端个体分类器，为未来针对内源性状态的域泛化算法提供了绝佳试验场。

局限与展望¶

受试群体多样性局限：被试招募集中于密歇根州立大学的健康在校大学生（平均年龄约 22 岁），群体年龄结构与受教育背景高度同质，尚未覆盖中老年群体或临床焦虑、抑郁等病理人群。
时间采样粒度偏稀疏：纵向数据仅采集了 0 周（前测）与 6 周（后测）两个离散时间点，缺乏中途周度采样的连续神经演化轨迹，难以精确刻画神经可塑性变化发生的时间拐点。
缺乏无干预空白对照组：研究聚焦于三种活跃冥想流派间的横向比较，未设置完全不进行任何干预的等待对照组（Waitlist Control），使得后测的部分静息态基线漂移难以彻底排除重测效应（test-retest effect）。
未来方向：开源社区可在此基准上探索针对自发内源脑电的时空图神经网络（GNN）、自监督脑电大模型（EEG Foundation Models）的预训练与自适应微调，以及面向便携式少导联 BCI 设备的空间通道剪枝与知识蒸馏。

评分¶

新颖性: ⭐⭐⭐⭐⭐ [首个多技术横向对比且配对 6 周纵向干预的 64 导高分辨率脑电专注冥想基准数据集]
实验充分度: ⭐⭐⭐⭐⭐ [设计覆盖状态解码、三分类细粒度技术与跨期小样本迁移三级任务，基线横跨传统统计到现代卷积/Transformer]
写作质量: ⭐⭐⭐⭐⭐ [BIDS 规范定义严谨，数据缺失与切分泄漏防范机制推导透彻，神经科学机制与算法指标相互印证]
价值: ⭐⭐⭐⭐⭐ [为 BCI 领域自发认知状态的长期追踪与时变漂移校准提供了里程碑式的开放基准与评测范式]