脑解码论文简报

脑电图广泛用于临床评估、脑机接口和认知状态分析，但 EEG 建模仍分散在不同任务范式中。多模态大型语言模型为灵活的多模态推理提供了有前景的接口，但其理解 EEG 输入的能力仍然有限。作者提出 OneEEG：一个用于多任务 EEG 理解的统一 EEG—多模态语言模型框架。模型在作者整理的多任务 EEG 指令微调数据集 OneEEG-Instruct 上训练，同时建模数值 EEG 表示和视觉化 EEG 表示，并引入任务感知的投影器混合模块，将不同任务家族的异构 EEG 特征对齐到语言模型嵌入空间。作者还建立 OneEEG-Bench，用于评估现有多模态语言模型及所提方法的多任务 EEG 理解能力。实验显示，现有通用多模态语言模型解释 EEG 输入的能力有限；OneEEG 通过融合数值与视觉 EEG 表示，并采用任务感知的 EEG→语言模型投影，取得更强的整体表现。消融和深入分析进一步考察了 EEG 波形图、不同投影器混合设计、路由行为及跨任务特征离散程度的影响。

个体化归因试图估计哪些功能网络驱动了模型对某位被试的预测，并常被建议作为一种可解释的静息态 fMRI 生物标志物，但其重测可靠性很少被量化。作者评估一个冻结的静息态功能连接预测器在个体层面的网络消融归因：该模型使用 Schaefer-200 功能连接预测 MMSE 和 ADAS-Cog13，并在阿尔茨海默病神经影像计划的 875 名被试上训练。可靠性通过三种设置检验：同一 session 的拆半比较、74 名被试共 205 对基线—复测访问的跨扫描比较，以及被试级置换零假设；复测间隔中位数为 24.4 个月。同一 session 拆半的 Spearman 相关接近上限，两个认知目标分别为 0.948 和 0.950；跨扫描则降至 0.609 和 0.616。在错配被试零假设下，相关仍约为 0.46–0.47，说明归因包含很强的群体共享结构；但正确配对仍显著超过零分布，z 约为 6.6–6.9，p 不高于 10⁻⁴。因此，ADNI 中的个体化网络归因是在强群体共享模式之上叠加了较小但非零的个体特异成分。作者建议同时报告跨扫描可靠性与置换零假设，而不要只用同一次扫描内部的代理指标，以免夸大个体特异性。

功能近红外光谱为在自然情境中监测神经活动的血流动力学相关信号提供了有前景的路径。然而，由于采集设备和光极布局高度异质，现有 fNIRS 建模方法大多局限于小规模、单 session 和低采样率数据；fNIRS 复杂的时空结构也进一步限制模型在不同设置间的规模化与迁移。因此，一个 fNIRS 编码器能否学习可跨被试、任务、设备和蒙太奇使用的表示仍不明确。作者表明，一个具备蒙太奇感知能力的掩码自编码器，在 12 个公开 fNIRS 数据集、268 名被试和 567 小时记录上预训练后，能够学习可泛化的神经血管表示，并迁移到三个外部数据集。MtReNIRS 通过把异构蒙太奇映射到共同解剖参照，同时编码 fNIRS 缓慢的血流动力学特性、发色团身份和皮层位置。模型的跨被试表现达到或超过全监督基线，在被试内少样本校准中优于既有 fNIRS 方法，并对稀疏蒙太奇保持稳健。结果表明，蒙太奇感知的自监督学习能够产生具生理基础、可迁移的 fNIRS 表示，为低标签脑机接口提供可扩展的基础。

EEG 的蒙太奇、通道数量和记录长度差异很大，但多数 EEG 基础模型仍绑定于训练时使用的通道集合和输入长度。作者旨在构建一个不依赖电极数量、身份、排列顺序或输入长度的生成式 EEG 基础模型。NOMAD-EEG 是一个 1,200 万参数的扩散模型：模型沿时间方向交替使用不分 patch 的状态空间层，并在电极之间执行注意力；每个电极仅由其三维头皮坐标标识。模型在单一语料的 147 小时无标签 EEG 上预训练，并以冻结线性探针在十个含 1–64 个电极的数据集上与七个基础模型按统一协议比较，同时测试两个未见人群。尽管规模较小、预训练只来自一个语料，NOMAD-EEG 在 EEGMMIDB 运动想象、Siena 癫痫检测和 Bonn 癫痫检测上优于全部七个比较模型，在 TUEP 癫痫诊断上取得比较模型中的最高准确率；微调后，它还在 TUEV 事件分类上取得最高的 κ 和加权 F1。在一个未见的八电极自闭症人群 P300 检测任务上，它在五个模型中表现最佳；把 19 个电极减至 5 个时，平均 AUROC 仅从 0.942 降至 0.891。结果表明，以空间位置标识电极并连续建模时间，可以让小型单语料预训练模型在多项任务上超过更大的 EEG 基础模型。