B[FM]²: Brain Foundation Model via Flow Matching with SplitUNet

ABSTRACT

中文摘要

EEG 基础模型能够从大规模 EEG 语料学习可泛化表征，使单一主干迁移到不同临床和脑机接口任务。现有模型通常将连续多通道 EEG 波形离散化为 patch 或码本 token，再以掩码自监督训练 Transformer。认识到这种离散化会割裂连续脑节律、掩盖精细时间动力学，我们提出 B[FM]²，即通过流匹配构建的脑基础模型。该模型放弃离散化，使用连续时间流匹配直接在原始信号上预训练，不采用 patch、token 化或掩码。然而，多通道 EEG 给流匹配带来架构挑战：时间轴采样密集且高度自相关，包含数千时间点；电极轴则很短，只有分布于不同头皮位置的数十通道。为解决时间—电极不对称性，我们提出速度网络 SplitUNet，把每个模块分解为独立的一维时间卷积和一维电极卷积，并只沿时间降采样，在整个层级中保留电极拓扑。B[FM]² 在九项标准 EEG 下游分类任务中的七项取得最先进表现，预训练仅使用 36,895 个片段，约 307 小时，相当于现有 EEG 基础模型所需预算的约 3.3%。它还生成两名具备专科认证的神经科医生无法与真实 EEG 区分的合成 EEG，Cohen's κ 为 −0.096。