利用海量 EEG 数据学习 BCI 通用表征的 Large Brain Model

基于摘要分析。该研究针对 EEG 深度学习模型通常局限于特定数据集与应用、难以学习通用表征的问题，提出 EEG 基础模型 Large Brain Model（LaBraM），通过跨数据集无监督预训练及下游微调支持不同任务。 核心机制是将 EEG 信号切分为 EEG channel patches，以支持跨数据集学习；使用 vector-quantized neural spectrum prediction 训练 neural tokenizer，将连续原始 EEG channel patches 编码为紧凑的 neural codes；随后通过预测被掩码 EEG channel patches 对应的原始 neural codes，预训练 neural Transformers。其预训练目标因此并非直接重建原始波形，而是预测 tokenizer 产生的离散代码。摘要将电极数量不一致、样本长度不等、任务设计差异与低信噪比列为主要挑战，但各类差异的具体处理及其独立贡献尚未验证。 作者报告，LaBraM 在约 20 个数据集、约 2,500 小时的多类型 EEG 信号上预训练，并在异常检测、事件类型分类、情绪识别及步态预测等下游任务中验证。作者报告其在这些任务上优于各领域所有纳入比较的 SOTA 方法；摘要未提供具体指标、提升幅度、下游数据集名称及被试内、跨被试或跨会话划分，因此不能据此判断各协议下的泛化程度，也不能将多任务结果等同于所有 BCI 场景中的有效性。 摘要提供了代码仓库。复现时需核对数据集组成、预训练与下游数据的关系、通道及时长处理、tokenizer 训练方式、微调配置和基线协议；这些内容以及消融、统计信息均尚未验证。