NeuroAct：双循环智能体优化EEG研究

基于摘要分析。本文针对固定 EEG 流水线和奖励驱动搜索难以明确性能或泛化差距成因的问题，提出自主研究智能体框架 NeuroAct，将信号结构、表征、预测器行为和训练动态的分析纳入双循环研究流程，覆盖 EEG 基础模型、任务专用预测器及模型组合。 内循环由研究、开发与审查角色依据分析证据提出并检验假设，选择分析或干预措施，再结合性能、稳定性与成本反馈迭代候选方案。外循环将研究结果提炼为带有任务和模型适用条件的可检验建议，并在后续任务中验证和修订。其方法重点是让分析证据参与干预选择，并将跨任务经验整理为条件化建议；具体智能体实现、干预范围及经验存储方式尚未验证。 作者报告了四类评估：在设置 A（EEG General Analysis）中，NeuroAct 的宏平均得分为 80.88，BrainAgent 为 63.13，相差 17.75 分，但摘要未说明该综合得分的构成；在设置 B（Cross-task Model Optimization）中，EEGPT 的平均 Balanced Accuracy（BA）提高 7.34 个百分点，HBN 的 Pearson r 从 0.6894 升至 0.7362；在设置 C（Single-task Open Research）中，ADFTD 的 BA 提高 16.33 个百分点；在设置 D（Collaborative Prediction）中，Workload 的 BA 从 79.69% 升至 85.02%。作者另报告，经验复用使 BCIC-IV-2a 的 BA 从 34.66% 升至 50.81%，同时 LLM token 用量减少 64.02%。这些结果来自不同设置，不宜直接横向比较。 作者据此认为跨任务经验能够改善证据引导的 EEG 研究。摘要未提供被试数量、被试内或跨被试划分、重复运行与统计不确定性，也未交代任务间经验隔离及完整计算预算，实验协议、消融及统计信息尚未验证。复现时应重点核对分析证据是否真正改变干预选择、经验建议在新任务中的适用条件，以及性能提升与搜索资源投入之间的关系。