基础模型用于神经信号解码:以EEG为中心的视角,走向统一表示
Jii Kwon1, Youmin Shin2,3
1Department of Brain & Cognitive Sciences, Seoul National University, Seoul, Republic of Korea.
The European journal of neuroscience
|December 29, 2025
概括
基础模型 (FMs) 通过从各种大脑数据 (如EEG) 中学习来提供强大的神经解码. 本综述强调了开发神经信号有效和可解释的基础模型的关键设计原则.
科学领域:
- 神经科学和人工智能 人工智能
- 计算神经科学是一种神经科学.
- 机器学习用于神经数据.
背景情况:
- 神经记录 (EEG,ECoG,皮质内) 提供了对大脑动态的洞察力,但面临着像高维度和可变性这样的解码挑战.
- 传统的机器学习和深度学习模型在复杂的神经数据的概括性和解释性方面扎.
- 在大型数据集上预训练的基础模型 (FMs) 显示出创造强大,可转移和生理基础的神经表征的前景.
研究的目的:
- 合成神经解码的新兴基础模型 (FM) 方法,专注于电脑电图 (EEG) 作为主要平台.
- 批判性地检查基于EEG的代表性FM架构,并确定基本的设计原则.
- 讨论将FM框架扩展到其他神经记录类型,如ECoG和皮质内信号.
主要方法:
- 关于应用到神经解码的基础模型的当前文献的审查和综合.
- 基于EEG的FM架构的分析,包括修补的大脑变压器,CBraMod和BrainGPT.
- 确定关键的设计原则:生理意识的表示学习,结构意识的架构和可解释性机制.
主要成果:
- 由于数据的可用性和临床相关性,EEG被确定为FM发展的最实用的平台.
- 基本的设计原则包括捕捉振荡/动态结构,结合空间/解剖学先验,并确保神经科学有效性.
- 当前的FM方法往往未充分利用空间信息,并且可能继承非神经目标.
结论:
- 基础模型具有很大的潜力,可以在各种模式 (EEG,ECoG,皮质内) 中推进神经解码.
- 未来的发展需要有生物学依据的目标,结构意识的架构,可解释的表示和标准化的数据生态系统.
- 通过扩展FM框架,可以实现跨尺度的统一神经表示.
