一、腦機(jī)接口困境：從「專才」到「通才」的范式轉(zhuǎn)變需求

腦機(jī)接口（Brain-Computer Interface, BCI）被視為連接人類智能與人工智能的終極界面。要真正實(shí)現(xiàn)這一愿景，核心在于高精度的腦信號(hào)解碼，即讓通用 AI 模型能夠真正「讀懂」復(fù)雜多變的腦活動(dòng)。

近年來，腦電信號(hào)（EEG）解碼技術(shù)促進(jìn)了從醫(yī)療診斷（如癲癇檢測、精神障礙診斷）到認(rèn)知增強(qiáng)（如疲勞監(jiān)測、情緒識(shí)別），再到肢體輔助和言語解碼等一系列應(yīng)用。

然而，長期以來，這一領(lǐng)域主要依賴于任務(wù)特定的深度學(xué)習(xí)模型，如 CNN、RNN 和 GNN 等。這些模型在特定數(shù)據(jù)集和任務(wù)上表現(xiàn)優(yōu)異，卻存在致命短板：缺乏通用性與跨任務(wù)遷移能力。模型往往需要在每個(gè)新任務(wù)上從零開始，難以適應(yīng)復(fù)雜、多樣、動(dòng)態(tài)的人腦信號(hào)。這導(dǎo)致模型既無法實(shí)現(xiàn)規(guī)?；埠茈y從海量且異構(gòu)的腦電數(shù)據(jù)中學(xué)到真正通用、可遷移的神經(jīng)表征，使得當(dāng)下的 BCI 系統(tǒng)仍停留在彼此孤立的「專才」應(yīng)用階段，難以支撐通用腦機(jī)接口對(duì)多種認(rèn)知和運(yùn)動(dòng)任務(wù)的靈活、穩(wěn)定解碼需求。

二、基礎(chǔ)模型賦能：跨尺度、結(jié)構(gòu)感知的腦基礎(chǔ)模型 CSBrain

受自然語言處理和計(jì)算機(jī)視覺領(lǐng)域基礎(chǔ)模型（如 GPT、InternLM、SAM、DINO 等）成功的啟發(fā)，AGI 的浪潮正在席卷科學(xué)計(jì)算。

研究人員開始思考：能否構(gòu)建一個(gè)強(qiáng)大的腦基礎(chǔ)模型（Brain Foundation Model），像理解語言或圖像一樣，去理解各種任務(wù)下的腦信號(hào)，從而為通用 BCI 系統(tǒng)提供底層的認(rèn)知操作系統(tǒng)？

然而，移植現(xiàn)有范式面臨挑戰(zhàn)：腦信號(hào)具備獨(dú)特的跨尺度時(shí)空結(jié)構(gòu)，即神經(jīng)活動(dòng)的時(shí)間和空間尺度在不同任務(wù)間差異巨大，從瞬時(shí)爆發(fā)到慢波震蕩，從局部激活到全腦協(xié)作。傳統(tǒng)的尺度無關(guān)的密集建模范式并不能有效捕捉內(nèi)在神經(jīng)結(jié)構(gòu)。

為解決上述挑戰(zhàn)，來自上海人工智能實(shí)驗(yàn)室、中山大學(xué)和香港中文大學(xué)的聯(lián)合研究團(tuán)隊(duì)提出了 CSBrain (Cross-scale Spatiotemporal Brain foundation Model)，其核心思想是構(gòu)建一個(gè)跨尺度結(jié)構(gòu)感知的架構(gòu)，將神經(jīng)生理學(xué)先驗(yàn)融入模型設(shè)計(jì)。論文被接收為NeurIPS 2025 Spotlight。

• 論文標(biāo)題：CSBrain: A Cross-scale Spatiotemporal Brain Foundation Model for EEG Decoding
• 論文地址：https://arxiv.org/abs/2506.23075
• Github：https://github.com/yuchen2199/CSBrain

CSBrain 引入了兩大核心創(chuàng)新模塊，并采用交替堆疊的方式，漸進(jìn)式地整合跨尺度的時(shí)空依賴：

1. 跨尺度時(shí)空標(biāo)記化（CST）

CST 模塊通過多尺度時(shí)空卷積核在腦電信號(hào)的局部時(shí)間窗口和解剖腦區(qū)內(nèi)，分別提取多尺度的時(shí)間和空間特征，時(shí)空聚合后生成兼具粗、細(xì)粒度的腦電 tokens。

此外，CST 還設(shè)計(jì)了指數(shù)衰減的維度分配策略，即小尺度核分配高維度以保留細(xì)節(jié)，大尺度核分配低維度捕獲上下文，從而在神經(jīng)表征能力與計(jì)算效率之間取得平衡。

2. 結(jié)構(gòu)化稀疏注意力（SSA）

SSA 模塊針對(duì) CST 輸出的結(jié)構(gòu)化 token，引入窗口間注意力和區(qū)域間注意力，捕獲長程時(shí)序依賴的同時(shí)建?？缒X區(qū)交互。通過這種稀疏注意力設(shè)計(jì)，計(jì)算復(fù)雜度從 O (N2) 降低至 O (N?k)，同時(shí)也有效抑制腦電噪聲帶來的虛假關(guān)聯(lián)。

CSBrain 采用掩碼自預(yù)測的自監(jiān)督預(yù)訓(xùn)練范式，并基于 TUEG 數(shù)據(jù)集中超過 9000 小時(shí)的腦電信號(hào)數(shù)據(jù)完成了大規(guī)模預(yù)訓(xùn)練。

三、實(shí)驗(yàn)亮點(diǎn)與分析

研究團(tuán)隊(duì)在11 個(gè)代表性腦解碼任務(wù)、16 個(gè)公共數(shù)據(jù)集上進(jìn)行了全面驗(yàn)證，涵蓋了運(yùn)動(dòng)想象、情緒識(shí)別、癲癇檢測、睡眠分期、語音想象等關(guān)鍵 BCI 應(yīng)用場景。

結(jié)果顯示，CSBrain 在幾乎所有任務(wù)和評(píng)估指標(biāo)上均達(dá)到了當(dāng)前最強(qiáng)性能。在 11 項(xiàng)任務(wù)的平均結(jié)果中，相較于當(dāng)前 SOTA 模型實(shí)現(xiàn)3.35% 的整體性能提升。

CSBrain 在高挑戰(zhàn)性解碼任務(wù)上的表現(xiàn)尤其出色，在運(yùn)動(dòng)想象任務(wù)（BCIC-IV-2a）上的準(zhǔn)確率指標(biāo)較 SOTA 模型提升5.2%，在癲癇檢測任務(wù)（Siena）上的 AUC-PR 指標(biāo)提升7.6%。這些優(yōu)勢得益于跨尺度建模能更好地適配任務(wù)特定的神經(jīng)模式，從而顯著增強(qiáng)模型的泛化與魯棒性。

這些實(shí)驗(yàn)結(jié)果驗(yàn)證了 CSBrain 融合跨尺度時(shí)空建模范式和預(yù)訓(xùn)練腦基礎(chǔ)模型的有效性，為多達(dá) 11 類 BCI 應(yīng)用提供了有效支撐。這不僅為腦基礎(chǔ)模型提供了新的架構(gòu)設(shè)計(jì)思路，也為下一代腦機(jī)接口的設(shè)計(jì)打開了全新可能。

未來隨著數(shù)據(jù)規(guī)模的擴(kuò)展與計(jì)算能力的提升，腦基礎(chǔ)模型的研究有望在更廣泛的腦—AI 融合場景中發(fā)揮更大作用，加速腦科學(xué)與人工智能的深度交匯，推動(dòng)新一代腦機(jī)接口的加速應(yīng)用。