NeuroAtlas: 临床脑电与脑机接口基础模型基准评估 (NeuroAtlas: Benchmarking Foundation Models for Clinical EEG and Brain-Computer Interfaces)¶

会议: NeurIPS 2026
arXiv: 2605.14698
代码: https://github.com/
领域: 医学图像
关键词: 脑电基础模型, 临床脑电图, 脑机接口, 域内泛化性, 神经生理学评估

一句话总结¶

NeuroAtlas 构建了涵盖 42 个数据集、约 26 万小时脑电记录的超大规模临床与脑机接口基准，在统一冻结特征提取协议下评测了 20 种模型，揭示出专用脑电基础模型未显著超越通用时序模型、且单数据集及常规指标严重掩盖临床失效模式等关键结论。

研究背景与动机¶

脑电图（EEG）作为一种非侵入式、低成本的大脑功能监测手段，广泛应用于癫痫诊疗、睡眠医学、重症监护监护以及脑机接口（BCI）操控等多个临床与工程领域。然而，长期以来各个下游应用高度碎片化，针对特定病种、电极排布导联系统、采集硬件和受试人群构建了彼此割裂的处理算法流程。随着大规模无监督预训练技术在自然语言与计算机视觉领域的突破，学界相继提出了诸多针对脑电信号的基础模型（EEG-FMs），期望通过海量多源数据的表征学习，以统一的骨干网络抽取跨任务、跨域通用的脑电表征。然而现有基准评测往往将每个领域简化为单一公开数据集、单一常规分类指标（如准确率或窗口级 AUROC），且评测对象局限于脑电基础模型自身的小圈子对比，使得当前脑电基础模型是否真正具备临床落地价值成为悬而未决的核心疑问。

这种不充分的评估体系带来了三大深层盲区：其一，域内泛化性（Intra-domain generalization）被严重忽视。在相同临床领域内，因采集设备、电极参考方案、采样率与伪影分布差异，模型在不同数据集间的表现常发生剧烈漂移，单一数据集评测完全无法预测真实世界的鲁棒性。其二，标准聚合指标与真实临床效用脱节。例如在极端类别不平衡的癫痫发作检测中，极高窗口级 AUROC 往往伴随着临床无法接受的持续误报；在睡眠分期中，单窗口准确率无法反映具有诊断价值的睡眠脑电宏观结构（如 REM 潜伏期）恢复质量；在脑机接口运动想象任务中，模型所学表征极易受眼动追踪、眨眼等非神经伪影混淆，在未做伪影过滤时表现出虚假高精度。其三，缺乏与替代模型家族的系统正面对比。以往基准未深入对比脑电专用模型相较于通用时序基础模型（TS-FMs）和任务专用监督预训练模型的实质优势，无法明确所谓“脑电专用预训练”究竟带来了多少有效收益。

针对上述严峻挑战，本文的研究目标是建立一个跨越数据规模、模型覆盖与临床效度维度的综合评估基准。核心 idea：构建涵盖 4 大核心领域、42 个数据集与约 26 万小时脑电数据的 NeuroAtlas 基准，在统一冻结特征提取与线性探针协议下系统评测 20 种跨家族模型，并通过事件级假警报率控制、睡眠结构图重构、受试者脑年龄差及去非神经混淆伪影等临床导向指标，全面揭开脑电基础模型的真实泛化能力边界。

方法详解¶

整体框架¶

NeuroAtlas 旨在探究预训练模型所学习到的潜空间表征是否真正解耦并编码了跨领域临床任务所需的关键神经生理特征。为了消除微调超参数调整、下游特定复杂预测头和结构容量对表征本身质量带来的混淆影响，NeuroAtlas 对所有模型推行统一冻结编码器探针协议（Unified Frozen-Encoder Linear Probe Protocol）。对于任意输入脑电信号，预训练骨干网络权重完全冻结作为通用特征抽取器，仅提取固定维度的潜在表征；下游任务各折验证中统一采用严格的受试者独立（Cross-subject / LOSO）或留一数据集（Leave-One-Dataset-Out, LODO）协议训练轻量线性分类/回归探针。

整个基准工作流涵盖四个临床与脑机接口核心领域：癫痫发作与病理检测（Epilepsy）、睡眠分期与事件诊断（Sleep Staging）、基于睡眠退行性变评估的脑年龄估计（Brain Age Prediction）以及脑机接口范式解码（BCI）。在统一输入预处理阶段，基准施行最小限度的共享滤波，随后适配各模型原生的导联映射与标准化规则，保证下游评测严格贴近模型预训练分布。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["多源临床与实验脑电输入<br/>42 个数据集 · 约 26 万小时"] --> B["最小共享预处理与原生导联对齐<br/>高通滤波 0.5Hz + 工频陷波"]
    B --> C["冻结骨干网络统一特征提取<br/>EEG-FMs / TS-FMs / 监督模型 / 随机基线"]
    C --> D["线性探针与严格跨受试者评估<br/>Patient-disjoint 5-Fold / LOSO / LODO"]
    D --> E["临床导向专用指标量化矩阵"]
    E --> F["事件级灵敏度-误报权衡<br/>Event-Sens@FA AUC"]
    E --> G["睡眠宏观结构与事件检测<br/>REM Latency · 微觉醒 AUPRC"]
    E --> H["脑年龄差与认知衰退生物标志物<br/>Chronological Age · BAG 区分度"]
    E --> I["脑机接口混淆伪影过滤校准<br/>去除眼动伪影 · 二项显著性基线"]

关键设计¶

1. 最小共享与模型原生相适配的解耦预处理流水线

脑电数据在导联布局、参考电极（如单极对耳垂参考、双极导联、平均参考 CAR）、采样频率及滤波带宽上存在极高异构性，且各个基础模型在预训练时确立了各自不可更改的输入假设。为实现公平对比，NeuroAtlas 提出了两级预处理机制：第一级为共享最小预处理，仅对所有原始记录施加 0.5 Hz 的零相位高通滤波以消除直流基线漂移，并根据采集地域配置 50 Hz 或 60 Hz 的陷波滤波器滤除工频干扰；第二级则将重采样率、电极通道匹配、重参考策略及幅值归一化（如分位数截断、Z-score、通道级极值缩放）交由各个模型的原生预训练规范独立处理。这种设计既消除了低频漂移与电网噪声对所有模型的共性干扰，又最大限度地避免了因外部预处理失配而人为削弱特定基础模型的表征能力。

2. 贴合临床决策的事件级癫痫敏感度-误报率积分度量（Event-Sens@FA AUC）

传统机器学习评测将连续脑电划分为 10 秒窗口计算 AUROC 或平衡准确率，但在极低发生率的临床长程监测中，高窗口级 AUROC 往往掩盖了数以百计的假警报，严重导致临床报警疲劳。NeuroAtlas 引入符合国际抗癫痫联盟临床标准的事件级灵敏度评价体系。对于线性探针给出的窗口后验概率，在特定阈值 \(\tau\) 下将相邻阳性窗口合并为预测发作事件，并依据 SzCORE 临床规范采用任意重叠规则判定检出：若预测事件与黄金标注有重叠则计为检出，无重叠事件计为误报。为均衡衡量各量级误报水平并防止高误报端主导积分，NeuroAtlas 在对数误报率坐标系下对灵敏度曲线进行重参数化并积分离散化：

\[\bar{s}(f) = \frac{1}{K}\sum_{k=1}^K s_k(f), \qquad \text{Event-Sens@FA AUC} = \frac{1}{3} \int_{-1}^{2} \bar{s}(f) \, \mathrm{d}f\]

其中 \(f = \log_{10}(\text{FA/h})\) 在每小时 0.1 次至 100 次误报（跨越三个数量级）之间积分并乘以归一化系数 \(1/3\)。该指标严格在 \([0, 1]\) 之间，直观代表了系统在临床可接受报警预算内的平均发作检出率，精准刻画模型实用边界。

3. 睡眠宏观结构图与微觉醒临床表型衍生特征解码

针对以往睡眠分期评测仅局限于 30 秒单 Epoch 分类一致性（Cohen's \(\kappa\)）的缺陷，NeuroAtlas 深入临床多导睡眠监测（PSG）的决策核心。首先，模型从连续预测的睡眠序列中重构完整睡眠结构图（Hypnogram），并提取总睡眠时长（TST）、入睡后清醒时长（WASO）、快速眼动睡眠潜伏期（REM Latency）等 20 余项核心宏观结构指标，计算预测序列与医生标注特征间的归一化平均绝对误差（MAE）。其次，基准引入微觉醒（Microarousals）、呼吸暂停/低通气及周期性肢体运动等离散事件级检测任务（AUPRC），全面考验基础模型对短程短暂病理突变信号的细粒度捕捉能力。

4. 脑健康评估连续脑年龄差生物标志物（Brain Age Gap, BAG）

NeuroAtlas 首次系统性地将脑电脑年龄回归与脑年龄差（BAG）建模引入基础模型评测面板。利用睡眠多导脑电信号随生理老化的微观与宏观节律演化，首先在健康受试者群体上使用岭回归线性探针建立基准脑年龄映射（采用受试者均值汇聚嵌入）：

\[\text{BAG}(x) = \hat{y}(x) - y(x)\]

其中 \(\hat{y}(x)\) 为预测年龄，\(y(x)\) 为实际生理年龄。随后，将训练好的健康老化参照轨迹迁移至包含认知障碍（Cognitive Impairment, CI）与同年龄健康对照的独立评估集上，量化认知衰退人群的脑年龄加速偏移幅度 \(\Delta\text{BAG} = \overline{\text{BAG}}_{\text{CI}} - \overline{\text{BAG}}_{\text{Healthy}}\)，并用双组受试者间的 AUROC 检验基础模型学到的表征是否真正具备作为神经退行性疾病早期生物标志物的潜质。

5. 脑机接口非神经混淆伪影过滤与样本自适应二项显著性基线

在脑机接口解码（运动想象 MI、P300 事件相关电位 ERP、稳态视觉诱发脑电 SSVEP）中，被试的眼球转动、注视点偏移和电极低频漂移极易与任务标签发生虚假共变。为拨开伪影迷雾，NeuroAtlas 设计了对比滤波基准测试：通过对原始数据施加 4–40 Hz 带通滤波并强制切除刺激线索后前 1 秒包含扫视伪影的瞬态信号，彻底隔离外周伪影。与此同时，针对脑机接口小样本、多类别测试集下“理论随机概率 \(1/C\) 易被统计波动虚假击穿”的陷阱，基准通过累积二项分布在显著性水平 \(\alpha = 0.05\) 下反算每个数据集严格的样本级显著性判定阈值：

\[P(z) = \sum_{i=z}^n \binom{n}{i} \left(\frac{1}{C}\right)^i \left(\frac{C-1}{C}\right)^{n-i}\]

将各任务平衡准确率与阈值统一仿射归一化到以 \(50\%\) 为随机基线、最高 \(100\%\) 的基准轴，防止伪假相关性和有限样本量产生虚假性能泡沫。

损失函数 / 训练策略¶

作为评测基准，NeuroAtlas 本身不引入新的预训练损失，而是统一遵循无偏的冻结表征探测协议。对于分类任务（癫痫检测、睡眠分期、病理识别、BCI 解码），线性探针统一采用 L-BFGS 求解带 \(L_2\) 正则化的对数几率回归（Logistic Regression），正则化超参数 \(C \in \{10^{-3}, 10^{-2}, 10^{-1}, 1, 10, 10^2\}\) 在内层验证折上通过 AUPRC、Macro-F1 或 Cohen's \(\kappa\) 网格搜索确定。对于脑年龄连续回归任务，探针采用岭回归（Ridge Regression），正则化强度 \(\alpha \in [0.001, 100]\) 经内层交叉验证 MAE 择优。所有实验严格在受试者不重叠（Subject-disjoint 5-Fold / LOSO）的划分下执行，杜绝跨折受试者信息泄漏。

实验关键数据¶

主实验¶

基准在癫痫检测与病理识别领域的 7 个连续标注核心队列上评测了包含 11 个 EEG-FM、3 个通用 TS-FM（含多尺寸）、4 个监督模型及 1 个随机初始化对照的 23 个模型。下表展示了全数据集平均下的事件级灵敏度积分、常规窗口级 AUROC 以及平衡准确率：

模型家族	代表模型	窗口级 AUROC	平衡准确率 (Bal. Acc.)	事件级 Sens@FA AUC (主指标)	相对随机基线增益
Random-Init	CBraMod (随机初始化)	0.773 ± 0.086	0.590 ± 0.064	0.440 ± 0.102	+0.000 (基准)
EEG-FM	NeuroLM	0.821 ± 0.079	0.640 ± 0.050	0.553 ± 0.093	+0.113
EEG-FM	REVE	0.839 ± 0.086	0.664 ± 0.069	0.549 ± 0.098	+0.109
EEG-FM	SleepFM	0.789 ± 0.099	0.603 ± 0.052	0.487 ± 0.117	+0.047
EEG-FM	STEEGFormer-Base	0.776 ± 0.077	0.598 ± 0.061	0.451 ± 0.118	+0.011
EEG-FM	CBraMod (预训练)	0.787 ± 0.110	0.611 ± 0.070	0.440 ± 0.118	+0.000
EEG-FM	EEGPT	0.752 ± 0.097	0.607 ± 0.081	0.431 ± 0.099	-0.009
EEG-FM	BIOT	0.756 ± 0.082	0.591 ± 0.054	0.408 ± 0.074	-0.032
EEG-FM	NeuroGPT	0.618 ± 0.113	0.555 ± 0.050	0.277 ± 0.048	-0.163
Supervised	Seizure-TF (监督发作)	0.763 ± 0.111	0.613 ± 0.074	0.519 ± 0.101	+0.079
Supervised	SleepTransformer (监督睡眠)	0.667 ± 0.066	0.554 ± 0.050	0.357 ± 0.086	-0.083
TS-FM	Moirai-Large	0.830 ± 0.067	0.616 ± 0.053	0.474 ± 0.119	+0.034
TS-FM	Moirai-Base	0.807 ± 0.093	0.625 ± 0.053	0.453 ± 0.123	+0.013
TS-FM	Chronos-Small	0.755 ± 0.078	0.590 ± 0.062	0.443 ± 0.110	+0.003
TS-FM	MOMENT-Small	0.754 ± 0.069	0.590 ± 0.053	0.443 ± 0.068	+0.003

在脑年龄与脑老化评估主实验中，基于手工特征的监督模型 Sun et al. 取得了极高的相关性与最低预测误差，而在跨家族表征中，不同家族在不同队列互有胜负：

评估数据集	指标	Sun et al. (监督脑年龄)	最优 EEG-FM	最优 TS-FM	监督睡眠模型 (CoRe/SleepTF)
SHHS (N=5,793)	MAE (年) / Pearson \(r\)	4.72 / 0.861	6.11 / 0.713 (NeuroLM)	6.00 / 0.724 (MOMENT-B)	6.00 / 0.737 (SleepTF)
WSC (N=2,055)	MAE (年) / Pearson \(r\)	5.65 / 0.770	5.17 / 0.646 (EEGPT)	5.70 / 0.465 (MOMENT-B)	5.43 / 0.530 (SleepTF)
CFS (N=584)	MAE (年) / Pearson \(r\)	6.22 / 0.933	7.67 / 0.855 (EEGPT)	7.99 / 0.848 (MOMENT-B)	7.87 / 0.856 (SleepTF)
PN2026 (N=169)	MAE (年) / Pearson \(r\)	4.86 / 0.786	6.72 / 0.458 (REVE)	7.08 / 0.355 (Moirai-L)	6.88 / 0.432 (SleepyCo)
PN2026 BAG	CI vs. Healthy AUROC	0.592 (\(\Delta = +1.99\)y)	0.592 (\(\Delta = +1.72\)y, NeuroLM)	0.548 (MOMENT-S)	0.556 (CoRe-Sleep)

消融与深度分析实验¶

基准开展了四大深度消融与分析评测：(1) 跨数据集零样本迁移（LODO）评测；(2) 睡眠分期中时序上下文（Sequence Modeling）的贡献；(3) 脑机接口中非神经混淆伪影过滤对运动想象解码的影响；(4) BCI 探针的 Token 汇聚机制对比。

实验切片 / 配置	评测场景与指标	关键数据表现	关键机制与消融说明
癫痫 LODO 跨域迁移	7 个数据集留一评测 / Event-Sens AUC	均值从 0.553 暴跌至 0.362 (NeuroLM)；REVE 跌至 0.302	缺乏目标域标注时表征泛化严重滑坡，全线低于域内随机初始化 (0.440)
睡眠时序建模消融	15 个睡眠队列 / Cohen's \(\kappa\)	监督模型从 0.78 降至 0.67 (\(\ell=1\))，与 FMs (0.68) 持平	监督模型优势主要源自跨 Epoch 序列上下文；当 FM 配备 BiLSTM 探针后即可抹平差距
BCI 混淆伪影消融	8 个 MI 队列 / 归一化平衡准确率	未过滤时多数模型显著高于理论随机；切除眼动及伪影后全线跌破二项显著性	证实大量基础模型在未过滤 MI 任务中的优异表征本质上是过拟合了眼动与扫视伪影
BCI Token 聚合方式	17 个 BCI 数据集 / 归一化平衡准确率	Token 展平 (Flattening) 53.0% vs. 均值池化 (Mean-pool) 45.9% (提升 +7.1%)	局部时间/空间特异性极强任务（如 SSVEP 提升 +22.5%）若经均值池化会导致关键表征被严重稀释

关键发现¶

预训练收益高度集中且脆弱：在癫痫检测评测中，仅 NeuroLM（6/7 数据集胜出，\(p<10^{-3}\)）与 REVE（5/7 数据集胜出）两款模型显著优于随机初始化骨干网络；其余 9 款脑电专用基础模型甚至在自身家族内部都无法通过统计显著性检验，且预训练版 CBraMod 与其完全随机初始化的自身变体得分毫无差异（0.440 vs 0.440）。
脑电专用模型未现绝对代际优势：在睡眠分期、癫痫检测和脑年龄预测中，通用时序模型（如 Moirai、MOMENT、Chronos）在未经任何神经电生理预训练的情况下，依靠纯粹的大规模通用序列建模能力取得了比肩甚至超越多数 EEG-FM 的成绩。
常规指标与临床可用性形成鲜明背离：在 TUSZ 癫痫集上，NeuroLM 的窗口级 AUROC 排名第一，但在更符合临床报警负荷的 Event-Sens@FA 指标上被监督 Seizure-TF 取代（各数据集两指标秩相关系数仅 \(\rho \in [0.61, 0.81]\)）；在睡眠分析中，高分期一致性（Cohen's \(\kappa\)）完全无法保证准确重构 REM 潜伏期等宏观生理参数。
目标域标签依赖与分布漂移瓶颈：在 LODO 零样本跨域设置下，所有基础模型的有效性能损失高达 \(25\% \sim 45\%\)，无一能够达到在有标签目标域上训练随机初始化网络的效果，说明当前脑电表征受制于硬件配置、人群差异与导联拓扑的严峻分布迁移。

亮点与洞察¶

构建了当前规模最大、维度最全的真实世界脑电基准：跨越 42 个数据集与 26 万小时连续波形，涵盖从新生儿、儿科到重症、老龄退行性人群，打破了以往“单数据集代表一个领域”的评估狭隘性。
首次揭露脑机接口中基础模型依赖非神经混淆伪影的致命隐患：通过因果式切除刺激后眼球扫视区间和带通滤波，实证了许多高准确率源自外周眼动伪影泄漏而非真实运动感觉节律解码。
打破了“脑电专用架构与自监督必胜”的幻觉：直接证明了通用大规模时序模型（TS-FMs）具有强大的跨模态迁移底座属性，为今后脑电基础模型研究指明了必须在复杂时间上下文（如超长程序列建模）与鲁棒导联拓扑建模上寻求突破。

局限与展望¶

作者承认的局限性：基准目前严格聚焦于“冻结编码器 + 线性探针”设置，未纳入全参数微调（Fine-tuning）和少样本（Few-shot）自适应协议；对于部分由于实现代码未开源或无法重现的模型（如 BrainWave）未能悉数收录。
评估范式的潜在局限：线性探针主要衡量表征的直接线性可分性，可能会低估那些潜在特征解耦良好但需要浅层非线性组合（如轻量级序列循环单元或注意力探针）才能激发的潜空间结构（正如睡眠实验中加装 LSTM 探针所揭示的那样）。
未来改进方向：探索支持任意通道电极拓扑动态插值与长程时序上下文的生成式基础模型架构，建立结合微调预算与计算复杂度的多级自适应评测阶梯。

评分¶

新颖性: ⭐⭐⭐⭐⭐ 首次建立超大规模、兼具多家族横向对比与深层临床病理有效性的脑电基础模型基准，彻底刷新领域认知。
实验充分度: ⭐⭐⭐⭐⭐ 涵盖 42 个多源数据集、26 万小时脑电波形与 20 个模型（29 个尺寸变体），消融实验极其详实严谨。
写作质量: ⭐⭐⭐⭐⭐ 逻辑缜密，批判性分析深入透彻，数学表述与临床意义结合极为优异。
价值: ⭐⭐⭐⭐⭐ 为脑电基础模型、神经计算与智慧医疗领域树立了兼具可复现性与临床严谨性的金标准评测灯塔。