NeuroAtlas: Benchmarking Foundation Models for Clinical EEG and Brain-Computer Interfaces¶

会议: NeurIPS 2026
arXiv: 2605.14698
领域: 医学图像
关键词: 脑电大模型、基准评测、癫痫检测、睡眠分期、脑机接口

一句话总结¶

NeuroAtlas 构建了涵盖 42 个数据集与约 26 万小时脑电记录的临床 EEG 与脑机接口综合基准，在统一冻结特征线性探测框架下评测 20 种代表性模型，揭示出脑电专用大模型相较通用时序大模型优势微弱、受非神经伪影严重干扰以及常规机器学习指标与临床真实效用脱节等核心瓶颈。

研究背景与动机¶

脑电图（EEG）作为一种非侵入、高时序分辨率且经济便捷的神经生理功能测量工具，在癫痫监测、睡眠分期、重症重症监护评估以及运动想象脑机接口（BCI）等领域具有广泛的临床与工程应用。然而，由于脑电信号高度依赖于电极排布导联（如 10-20 系统、双极导联）、参考电极策略、硬件采样率、滤波带通以及被试人群表型，现有的下游算法管线高度碎片化，大多局限于特定机构、特定设备与定制队列。近期涌现的脑电基础模型（EEG-FMs，如 BIOT、LaBraM、EEGPT、CBraMod、NeuroLM 与 REVE 等）试图打破这一壁垒，通过在海量多源未标注 EEG 数据上进行自监督预训练，期望学到开箱即用且具备跨域迁移能力的通用大脑神经表征。

然而，现有评测体系存在三大严重缺陷，使得脑电大模型的真实能力被严重高估或曲解。首先是域内泛化能力的严重遮蔽：以往基准通常在每个临床领域仅选取单一数据集（如用 TUSZ 评估癫痫，用 Sleep-EDF 评估睡眠），完全忽略了不同采集中心在电极布局、参考方式和人群表型上的剧烈分布漂移；其次是评估指标与临床效用的系统性脱节：常规基准普遍依赖窗口级准确率或 AUROC 等静态聚合指标，无法反映癫痫连续监测中极度严苛的低假警报率（FA/h）约束、睡眠分期中宏观睡眠结构（Hypnogram）的时序连贯性，以及 BCI 场景下眼跳与肌电等非神经伪影带来的虚假高准确率；最后是对比基线缺乏跨家族对照：此前评测往往局限于 EEG-FM 之间的横向排位，从未系统性引入通用的多模态时间序列基础模型（TS-FMs，如 Chronos、MOMENT、Moirai）以及特定领域的监督预训练模型，导致脑电专用架构与自监督预训练的真正价值难以被证实。

针对上述瓶颈，本文推出了首个大规模、高临床相关度且跨模型家族的综合性评测基准 NeuroAtlas。该基准系统覆盖癫痫发作、睡眠医学、脑龄预测以及脑机接口四大核心领域，总计汇聚 42 个公开与受控数据集、约 26 万小时连续脑电记录，对 20 个模型（共 29 个变体）进行了严格受控的跨受试者评测。核心 idea：采用统一的“冻结骨干表征 + 线性探测”纯表征探测协议，结合事件级假警报预算、宏观睡眠结构误差、个体脑龄差及伪影混杂过滤等临床专有度量指标，严格解耦并系统检验预训练表征在多样化真实临床场景下的可迁移性与实用价值。

方法详解¶

整体框架¶

NeuroAtlas 旨在纯粹检验预训练模型所学潜空间表征是否包含足以支撑临床下游任务的解耦信息，因此全流程将各模型骨干参数完全冻结作为固定特征提取器，仅训练下游线性分类器或岭回归探针（Linear Probe）。评测流程涵盖多源脑电数据标准化适配、冻结表征提取、下游任务特定探测、非神经混杂过滤以及跨数据集留一（LODO）零样本泛化测试。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["多源原始脑电数据<br/>42 个数据集 / 约 26 万小时"] --> B["多域多队列覆盖与双层预处理适配<br/>0.5Hz 高通/工频滤波 + 模型原生参数对齐"]
    B --> C["冻结骨干网络与线性探测解耦表征<br/>EEG-FMs / TS-FMs / Supervised / Random-Init"]
    C --> D["面向临床决策的域专有评估指标<br/>事件级灵敏度@假警率 / 睡眠结构 / 脑龄差"]
    C --> E["非神经混杂过滤与小样本统计校验<br/>4-40Hz 滤波 / 截除 1s 扫视 / 二项显著性校正"]
    D --> F["综合临床实用性与跨域泛化结论<br/>域内排名剧烈漂移 / EEG-FM 相较 TS-FM 优势微弱"]
    E --> F

关键设计¶

1. 多域多队列覆盖与双层预处理适配：消除单数据集偏置并对齐模型原生输入 为了克服单数据集评估带来的偶然性，NeuroAtlas 在四大领域内均引入跨中心、多硬件、跨人群的平行数据集群：癫痫领域涵盖 7 个连续标注发作队列与 3 个记录级异常队列（~5.8 万小时）；睡眠领域涵盖 15 个多导睡眠图队列（~20.1 万小时）；脑龄预测引入 10 个具有年龄标签的大规模 PSG 队列；BCI 领域涵盖运动想象（MI）、事件相关电位（ERP）、稳态视觉诱发电位（SSVEP）及认知情感状态等 17 个数据集。针对各模型预训练条件高度异构的现实，基准设计了“最小共享预处理 + 原生条件自适应”双层协议：第一层对所有数据施加 0.5 Hz 高通滤波以消除直流漂移，并使用陷波滤波去除 50/60 Hz 工频干扰，再按任务切分为统一窗口；第二层则根据各模型的预训练规范，独立执行重采样、重参考（如平均参考 CAR 或双极联络）、通道名坐标映射插值与量纲归一化，最大程度确保下游数据处于各模型的分布内（in-distribution）状态。

2. 面向临床真实决策的域专有评估指标：事件级假警报、睡眠宏观结构与脑龄差转化 针对常规机器学习粗粒度指标无法反映临床可用性的痛点，NeuroAtlas 在各领域引入了面向实际临床决策流程的专有指标。在癫痫检测中，常规 10 秒窗口级 AUROC 往往在极度样本不平衡下虚高，基准根据 SzCORE 框架采用任意重叠事件匹配规则，整合连续正向预测为独立事件，并在对数假警报率轴（0.1–100 FA/h）上计算灵敏度积分： $$\text{Event-Sens@FA AUC} = \frac{1}{3} \int_{-1}^{2} \bar{s}(f) \, \mathrm{d}f, \quad \text{其中 } f = \log_{10}(\text{FA}/T)$$ 在睡眠分析中，除了逐 epoch 的 Cohen's $\kappa$ 系数外，还引入临床用于猝睡症与神经退行性病变诊断的 20 余项宏观 Hypnogram 指标（如 REM 潜伏期 MAE、总睡眠时间 TST、觉醒次数与阶段转换率）以及微觉醒与呼吸暂停事件检测 AUPRC。在脑龄评估中，定义脑龄差（Brain-Age Gap, BAG）： $$\mathrm{BAG}(x) = \hat{y}(x) - y(x), \quad \Delta\mathrm{BAG} = \overline{\mathrm{BAG}}_{\mathrm{CI}} - \overline{\mathrm{BAG}}_{\mathrm{Healthy}}$$ 通过健康的睡眠生理老化模型预测个体表观脑龄，并评估其作为认知功能障碍（Cognitive Impairment, CI）生物标志物的判别 AUROC。

3. 非神经生理混杂过滤与小样本统计显著性校验：剔除伪影驱动的虚高准确率 在脑机接口解码中，被试在执行运动想象或注视刺激时常伴随系统性的眼球扫视、微动以及低频肌电漂移，这些非神经伪影常与任务标签偶联，导致模型在未学到任何真正运动皮层感觉运动节律（SMR）调制的情况下取得虚高准确率。NeuroAtlas 严格引入混杂伪影过滤协议：施加 4–40 Hz 针对性带通滤波，并强制截断提示出现后首秒（post-cue 1s）的伴随眼动时段。同时，针对不同 BCI 任务类别数从 2 到 40 不等、试验样本量小导致经验准确率极易产生虚假统计波动的缺陷，基准定义归一化平衡准确率： $$\widetilde{\mathrm{BA}} = \frac{\mathrm{BA} - \frac{1}{C}}{1 - \frac{1}{C}} \times 0.5 + 0.5$$ 将所有任务统一映射至 50% 偶然机会基线与 100% 完美分类天花板，并通过二项分布逆累积概率函数推导样本量敏感的显著性阈值 $\widetilde{\mathrm{BA}}^*$（$\alpha=0.05$），确保只有在统计学上实质超越随机猜测的解码表现被视为有效。

损失函数 / 训练策略¶

在统一评估中，各预训练模型的骨干网络参数全程冻结，绝不进行微调（Fine-tuning），以完全隔离表征质量与端到端适应能力。下游线性探测根据任务目标进行受控优化： - 癫痫与 BCI 分类任务：使用 L-BFGS 优化的带 $\ell_2$ 正则化对数几率回归。癫痫任务按患者划分 5 折交叉验证，网格搜索惩罚系数 $C \in \{10^{-3}, 10^{-2}, 10^{-1}, 1, 10, 10^2\}$，以验证折 AUPRC 最优为准重拟合；BCI 任务采用严格留一受试者（LOSO）协议并统一固定 $C=1.0$； - 睡眠分期与事件检测：睡眠多分类采用未加权对数几率回归以验证折 Cohen's $\kappa$ 搜索 $C$；事件检测（微觉醒、呼吸暂停）采用类别平衡交叉熵损失对抗极度偏态分布；消融实验中引入双向 LSTM（序列长度 20）探针以评估时序上下文恢复能力； - 脑龄回归任务：在每名受试者的 PSG 记录内对 30 秒 epoch 表征执行平均池化（mean pooling），随后输入岭回归（Ridge Regression）拟合实际年龄，在按年龄分层划分的 5 折受试者互斥外层中，利用内层嵌套交叉验证在 $\alpha \in \{0.001, \dots, 100\}$ 间搜索最优 MAE。

实验关键数据¶

主实验¶

在 7 个具有连续时间发作标注的癫痫数据集上（涵盖新生儿、儿童、成人术前监测等多种场景），23 种模型的窗口级指标（AUROC、Balanced Acc）与临床事件级指标（Event-Sens vs FA/h AUC）综合对比如下：

模型	模型家族	窗口级 AUROC (Mean±SD)	平衡准确率 (Mean±SD)	事件级 Sens@FA AUC (Mean±SD)	7 数据集 Top-3 显著胜出率
NeuroLM	EEG-FM	0.821 ± 0.079	0.640 ± 0.050	0.553 ± 0.093	6/7 ($p < 10^{-3}$)
REVE	EEG-FM	0.839 ± 0.086	0.664 ± 0.069	0.549 ± 0.098	5/7 ($p < 10^{-3}$)
Seizure-TF	Supervised-Pre	0.763 ± 0.111	0.613 ± 0.074	0.519 ± 0.101	3/7 ($p = 0.052$)
SleepFM	EEG-FM	0.789 ± 0.099	0.603 ± 0.052	0.487 ± 0.117	1/7 ($p = 0.624$)
Moirai-L	TS-FM	0.830 ± 0.067	0.616 ± 0.053	0.474 ± 0.119	2/7 ($p = 0.229$)
Moirai-B	TS-FM	0.807 ± 0.093	0.625 ± 0.053	0.453 ± 0.123	1/7 ($p = 0.624$)
STEEGFormer-B	EEG-FM	0.776 ± 0.077	0.598 ± 0.061	0.451 ± 0.118	0/7 ($p = 1.000$)
Chronos-S	TS-FM	0.755 ± 0.078	0.590 ± 0.062	0.443 ± 0.110	0/7 ($p = 1.000$)
CBraMod (Pretrained)	EEG-FM	0.787 ± 0.110	0.611 ± 0.070	0.440 ± 0.118	0/7 ($p = 1.000$)
CBraMod (Random-Init)	Random-Init	0.773 ± 0.086	0.590 ± 0.064	0.440 ± 0.102	0/7 ($p = 1.000$)
EEGPT	EEG-FM	0.752 ± 0.097	0.607 ± 0.081	0.431 ± 0.099	0/7 ($p = 1.000$)
BIOT	EEG-FM	0.756 ± 0.082	0.591 ± 0.054	0.408 ± 0.074	0/7 ($p = 1.000$)
NeuroGPT	EEG-FM	0.618 ± 0.113	0.555 ± 0.050	0.277 ± 0.048	0/7 ($p = 1.000$)

消融实验¶

消融实验聚焦于三大决定性问题：① BCI 运动想象任务中伪影混杂过滤对准确率的冲击，以及 Token 聚合策略（展平 Flatten vs 均值池化 Mean Pool）的影响；② 癫痫发作检测中跨数据集留一（LODO）零样本迁移的性能衰减；③ 睡眠分期中时序上下文序列长度的贡献。

实验设置与消融对象	评测任务与指标	原始基线 / 默认设置	消融后表现 / 变化	相对变化与核心结论
BCI 运动想象伪影过滤	MI 归一化平衡准确率	显著高于二项检验阈值	跌落至统计显著性阈值以下	未过滤时的高准确率绝大多数由眼跳等非神经伪影驱动
BCI 表征聚合策略消融	17 个 BCI 数据集平均平衡准确率	均值池化 Mean: 45.9%	展平拼接 Flatten: 53.0%	展平提升 +7.1%，保留了窄时空窗口内的局部神经动力学
SSVEP 范式 Token 展平	40 目标 SSVEP 解码准确率	均值池化 Mean	展平拼接 Flatten	绝对增益达 +22.5%，高频视觉诱发电位对时空定位极敏感
癫痫 LODO 跨域零样本迁移	7 数据集平均 Event-Sens AUC	域内 5 折: 0.431–0.553	LODO 零样本: 0.275–0.362	性能暴跌 24%–45%，所有模型 LODO 均低于域内随机初始化
睡眠监督模型去除时序上下文	15 数据集睡眠分期 Cohen's $\kappa$	序列输入 ($\ell=21$): 显著领先	单窗口输入 ($\ell=1$): 大幅下滑	消除上下文后监督模型跌回与 EEG-FM/TS-FM 相同水平
大模型外挂轻量 LSTM 探针	睡眠分期 Cohen's $\kappa$	线性探针 Linear Probe	双向 LSTM 探针 ($\ell=20$)	显著抹平与序列监督模型的差距，证明时序机制是核心驱动力

关键发现¶

指标背离与模型洗牌：常规 AUROC 与事件级 Event-Sens@FA AUC 在所有 7 个癫痫数据集上的排名均显著不一致（Spearman $\rho \in [0.61, 0.81]$，均值仅 0.72）。例如在 TUSZ 数据集上，AUROC 排名第一的 NeuroLM 在真实临床事件级指标下被全监督专有模型 Seizure-TF 取代。
脑电专用预训练的增益集中且微弱：在 11 种 EEG 基础模型中，仅 NeuroLM 和 REVE 能够在跨数据集一致性检验中显著战胜偶然率；通用时序基础模型 Moirai-L 在未接触任何脑电物理归纳偏置的前提下，事件级指标战胜了 11 种 EEG-FM 中的 9 种。此外，预训练 CBraMod 的平均事件级指标（0.440）与未训练的随机初始化 CBraMod（0.440）完全一致，说明当前部分自监督预训练并未提炼出更鲁棒的事件级特征。
脑龄差（BAG）未能有效转化为神经退行标志物：尽管在时序睡眠 EEG 上各模型均能以一定精度拟合实际生理年龄，但在 PhysioNet 2026 独立测试集上利用脑龄差（BAG）区分认知功能障碍（CI）患者与健康对照时，所有基础模型的判别 AUROC 均在 0.50–0.59 之间徘徊，并未显现出预期的数字化生物标志物转化能力。

亮点与洞察¶

多数据集与多家族交叉评测树立新标杆：首次打破以往脑电基准“单一域对应单数据集”与“仅在脑电自监督模型内部自娱自乐”的局限，将通用时序大模型与监督领域模型作为标尺，使预训练的真实边际效益得以量化澄清。
直面临床真实痛点的评价范式革新：揭示了学术界长期偏爱“窗口级静态分类准确率”造成的虚假繁荣，通过引入对数假警报率积分、Hypnogram 宏观生理特征误差及非神经混杂伪影过滤，为未来神经工程大模型的临床转化确立了严谨的方法论底线。
时序结构与伪影控制的工程启示：实验清晰证明，简单依靠单窗口局部嵌入的通用表征难以应对长时序任务（如睡眠阶段转换），外挂时序网络或在预训练中显式融入 inter-epoch 结构是弥合差距的关键；而在 BCI 任务中，严格过滤眼跳伪影应当成为所有模型评测的前置强制准则。

局限与展望¶

作者承认的局限：为严格控制变量并公平比较不同架构家族的原始表征能力，当前评测全部局限于冻结特征的线性探测协议（Linear Probing），未涵盖参数高效微调（PEFT/LoRA）或全参数微调机制；此外，随机初始化的消融仅在 CBraMod 单一架构上完成，未能为所有 20 种模型提供一对一的未训练架构对照。
延伸发现的局限：基准所涉及的数据集虽然规模庞大，但全流程依赖离线公开与受控数据集，缺乏真实临床急诊或手术室闭环干预下的动态决策验证；脑电大模型在处理跨通道极度缺失（如仅有 2–4 通道的穿戴式设备）时的鲁棒性边界仍待进一步拓宽。
未来改进方向：探索兼顾跨导联拓扑任意插值与跨 epoch 宏观时序上下文的混合自监督预训练架构，并在训练目标中显式解耦神经生理信号与眼动/肌电等非神经混杂分量。

评分¶

新颖性: ⭐⭐⭐⭐⭐ 首次建立超大规模、全域多数据集覆盖且全面对标通用时序基础模型的临床脑电权威基准。
实验充分度: ⭐⭐⭐⭐⭐ 跨 42 个数据集、26 万小时脑电、20 种模型与三大模型家族，包含严密的统计显著性检验与消融。
写作质量: ⭐⭐⭐⭐⭐ 逻辑结构严谨，对临床真实痛点剖析深刻，实验现象与机理解释透彻且极具启发性。
价值: ⭐⭐⭐⭐⭐ 彻底澄清了脑电大模型当前“宣称能力”与“临床可用”之间的巨大鸿沟，为该领域的健康发展设立了严谨指南。