華南理工/麻省理工團隊：面向EEG基礎模型的數據基建

從診斷癲癇到驅動腦機接口，從監測睡眠到解碼情緒，腦電圖早已成為窺探大腦活動的窗口。然而，這些珍貴的腦電數據卻像被颶風打散的拼圖，散落在OpenNeuro、PhysioNet、OSF、Zenodo、Figshare等數十個平臺上，格式各異、標準不一。當你想訓練一個能像GPT-3理解語言那樣"理解"大腦的基礎模型時，首先要面對的不是算法難題，而是"數據在哪里"的世紀之問。

一、827個數據集，13萬人的"腦電拼圖"

2026年，華南理工大學李小俚教授/陳賀教授團隊，聯合麻省理工學院路子童博士，在Brain-X期刊上發表了一項"數據基建"研究：系統篩查了2020年至2026年間公開發表的EEG資源，最終構建了一個包含827個數據集、覆蓋13萬余名參與者的統一EEG數據注冊表。這就像為散落在全球各地的腦電拼圖，繪制了一張帶GPS定位的藏寶圖。

圖1 EEG數據注冊表概覽，涵蓋六大類別與核心元數據

這項工作的篩選過程堪稱"學術考古"。研究團隊遵循PRISMA-ScR系統綜述指南，從各大平臺初篩出近千條記錄，經過標題摘要篩選、全文評估、去重和可用性驗證，最終精確定位到827個符合標準的數據集。每一個被收錄的數據集都必須滿足嚴苛條件：包含可分析的EEG信號、具備可追溯的引用信息、提供支持再利用的基礎元數據。

圖2 基于PRISMA框架的數據集篩選與納入流程

二、六大"門派"：EEG數據的江湖格局

當這些拼圖被擺上桌面，一幅EEG數據世界的"全景地圖"首次清晰呈現。研究團隊按科學意圖將數據集劃分為六大類別：認知（Cognitive）、腦機接口（BCI）、臨床（Clinical）、自然情境（Naturalistic）、神經調控（Neuromodulation）和方法學（Methodological）。

其中，認知類數據集以504個的絕對優勢占據半壁江山，涵蓋感知、記憶與學習、語言處理、注意、執行功能、情緒處理等14個子領域。這反映出EEG研究長期以來扎根于嚴格控制的實驗室范式，擁有清晰的事件標記和試次結構，非常適合事件相關電位（ERP）分析。

圖3 認知類數據集的子類別分布，感知與記憶學習占據最大份額

臨床類以116個數據集位居第二，構成了一座"數字疾病博物館"。從阿爾茨海默病、帕金森病到自閉癥譜系障礙（ASD）、抑郁癥、精神分裂癥，再到癲癇發作檢測與睡眠分期，這些數據集將EEG從研究工具推向了診斷前沿。值得注意的是，許多癲癇數據集由臨床中心通過獨立網站發布，形成了一個高度碎片化的"數據飛地"。

圖4 臨床EEG數據集在神經系統疾病、精神疾病、癲癇等亞型中的分布

BCI類的106個數據集則像一部"人機交互進化史"。從經典的運動想象（MI）、穩態視覺誘發電位（SSVEP）到P300拼寫器，再到情緒解碼、語言意圖識別，這些數據集的標準化程度最高，標簽結構清晰，是算法 benchmarking 的"黃金礦場"。

相比之下，自然情境類（55個）和神經調控類（27個）則顯得稀缺。前者記錄真實世界中的駕駛、行走、游戲、自然視聽場景，后者采集經顱磁刺激（TMS）、經顱直流電刺激（tDCS）等干預下的腦電變化。這種"貧富不均"暗示了一個潛在風險：如果直接用現有數據按比例訓練基礎模型，AI可能會變成一個只懂實驗室范式、卻看不懂真實生活的"書呆子"。

三、數據孤島：平臺之間的"巴別塔"

數據的分布不僅體現在科學類別上，也體現在"地理位置"——即存儲平臺上。OSF以353個數據集成為最大"數據倉庫"，但其內容高度偏向認知研究；OpenNeuro（173個）在認知與臨床之間更為均衡；Zenodo和Figshare則承載了更高比例的BCI數據集。這意味著，如果你只在一個平臺搜索，很可能會系統性地遺漏某些研究范式。

圖5 數據集在研究類別與數據平臺上的結構分布

圖6 主要EEG數據集在主要存儲庫平臺上的分布，不同平臺呈現明顯的類別偏向

四、從"藏寶圖"到"通用語"：讓AI真正讀懂大腦

然而，這項研究最"硬核"的貢獻不止于做目錄。團隊深知，即便有了藏寶圖，不同設備、不同通道數、不同采樣率的數據依然"語言不通"。為此，他們提供了一個輕量級歸一化演示，選取了來自不同平臺、覆蓋RSVP視覺注意、語言產出、情緒調節和SSVEP四種范式的代表性數據集，執行了一條"翻譯流水線"：固定長度裁剪、平均重參考、將128通道映射到統一的32通道10-20模板、重采樣至256Hz、0.5-40Hz帶通濾波，最終輸出格式無關的張量。

圖7 EEG信號歸一化工作流程，將異構數據轉化為統一的32通道訓練就緒表示

這揭示了一個關鍵思路：下一代EEG基礎模型的瓶頸，可能不在于算法不夠先進，而在于數據沒有對齊。正如論文所言，現有模型如LaBraM、EEGPT、BIOT雖已邁出預訓練步伐，但跨設備、跨任務、跨被試的泛化仍受限于數據的異質性。這個注冊表通過標準化的元數據字段——包括任務范式、設備型號、通道數、導聯方式、采樣率、被試年齡與健康狀態、許可協議、標簽可用性等——讓研究者能夠像篩選商品一樣，按維度檢索和組裝訓練語料。

從更廣闊的視角看，這項工作呼應了FAIR原則和EEG-BIDS標準所倡導的數據共享理念。它不提供ETL式的統一格式倉庫，而是搭建了一個"可發現、可過濾、可檢索"的元數據基礎設施，讓全球研究者能夠透明地構建跨數據集訓練語料。

或許在不遠的將來，當腦機接口能像識別語音一樣流暢地解碼你的運動意圖，當智能手表能通過腦電信號預警癲癇發作，我們不該忘記這場"數據拼圖"的奠基工作。畢竟，在人工智能時代，數據注冊表本身就是一項核心科技。

正如論文作者所展示的：讓13萬人的大腦電信號"說同一種語言"，或許才是打開通用腦智能大門的真正鑰匙。

參考：Shi S, Song Y, Wang Y, et al. Toward general-purpose foundation models for electroencephalography: a unified data registry. Brain-X. 2026.

腦機接口社區是國內首家腦機接口(BCI)產業服務平臺。主要為企業、科研團隊、投資機構和從業者提供以下服務：

宣傳報道：圖文、短視頻、直播形式報道企業動態、技術解讀、產品介紹等內容，提升曝光和行業影響力。

資源對接：根據需求匹配資本、供應鏈、臨床機構、渠道方等資源，完成真實對接，促進合作。

成果轉化：協助技術團隊尋找產業方、投資人及落地場景，推動技術到產品的轉化。

活動策劃執行：承接線上線下路演、沙龍、論壇等活動的策劃與執行。

其他定制需求：包括報告定制、市場調研、人才招聘支持等個性化服務。

合作洽談，請聯系微信：ZuoLeiLeiya

（備注：姓名-單位-合作）

投稿丨成為創作者，請聯系微信：RoseBCI

不錯過每一條腦機前沿進展

一鍵三連「分享」、「點贊」和「在看」

歡迎在評論區聊聊