EvoBrain：浙大潘綱教授團隊讓腦電大模型持續(xù)進化

你有沒有想過，為什么一位資深醫(yī)生能同時看感冒、骨折和失眠，而現(xiàn)在的腦機接口卻像個嚴(yán)重的"偏科生"——剛學(xué)會了幫你監(jiān)測睡眠，就忘了怎么識別你的運動想象；調(diào)教好情緒識別，之前訓(xùn)練的指令解碼又打回原形？

這不是科幻橋段，而是當(dāng)前EEG基礎(chǔ)模型在落地時面臨的真實現(xiàn)狀。盡管這些模型在大規(guī)模無標(biāo)注腦電數(shù)據(jù)上預(yù)訓(xùn)練出了強大的通用表征，但一旦面對下游的具體任務(wù)——睡眠分期、運動想象、情緒識別、想象言語——工程師們依然不得不為每個任務(wù)單獨微調(diào)一套參數(shù)。就像你每學(xué)一門新語言就要換一個新大腦，舊語言的詞匯被洗得干干凈凈。這種任務(wù)隔離的靜態(tài)適應(yīng)（task-isolated static adaptation），不僅浪費算力，更從根本上鎖死了腦機接口走向"一腦通吃"通用智能的可能。

2026年6月，浙江大學(xué)潘綱教授團隊在arXiv上發(fā)表了題為《EvoBrain》的論文，首次將跨任務(wù)持續(xù)學(xué)習(xí)（cross-task continual learning）引入EEG領(lǐng)域。他們提出的動態(tài)適應(yīng)框架，讓單一預(yù)訓(xùn)練模型能夠像人腦一樣，在源源不斷的異構(gòu)BCI任務(wù)中持續(xù)進化，且不忘舊技。

圖1 傳統(tǒng)"一對一"微調(diào)范式與EvoBrain任務(wù)感知的持續(xù)適應(yīng)策略對比

老問題：每來一個任務(wù)，就要"換腦重裝"

現(xiàn)有的EEG基礎(chǔ)模型后訓(xùn)練策略，本質(zhì)上是一種"一對一"的教學(xué)：來一個任務(wù)，全量微調(diào)一遍，存一份參數(shù)。六個任務(wù)就要六個模型副本。

問題在于，這種靜態(tài)范式帶來了雙重瓶頸。第一，知識孤島。不同BCI范式之間并非毫無關(guān)聯(lián)——運動想象和想象言語可能共享某些運動皮層的頻譜特征，睡眠分期和情緒識別都涉及慢波活動——但任務(wù)隔離訓(xùn)練讓這些跨任務(wù)的高階神經(jīng)模式無法流通。第二，成本爆炸。隨著臨床場景擴展，計算和存儲開銷與任務(wù)數(shù)線性增長，這對于需要輕量化部署的腦機接口設(shè)備而言，幾乎是致命的。

更棘手的是，EEG任務(wù)流具有多層級異構(gòu)性：采樣率、通道數(shù)、信號時長、標(biāo)簽語義千差萬別，甚至任務(wù)相關(guān)的神經(jīng)頻譜響應(yīng)（neuro-spectral response）也完全不同。簡單地用傳統(tǒng)持續(xù)學(xué)習(xí)中的"回放舊數(shù)據(jù)"或"參數(shù)正則化"來硬扛，要么在新任務(wù)上適應(yīng)不良，要么在舊任務(wù)上災(zāi)難性遺忘（catastrophic forgetting）。

發(fā)現(xiàn)"動態(tài)進化"：EvoBrain的雙引擎架構(gòu)

研究團隊把下游適應(yīng)重新定義為跨任務(wù)持續(xù)學(xué)習(xí)問題：模型必須從任務(wù)流中增量獲取知識，同時緩解災(zāi)難性遺忘。為此，他們設(shè)計了EvoBrain，核心是兩臺互補的"引擎"：Neuro-Spectral Task Normalization (NSN)和Response-Affinity Distillation (RAD)。

圖2 EvoBrain框架總覽：從異構(gòu)任務(wù)流到神經(jīng)頻譜歸一化與響應(yīng)親和蒸餾

第一引擎：NSN——給腦電波做"智能調(diào)音臺"

如果把不同EEG任務(wù)比作不同風(fēng)格的音樂，NSN就是一個能自動識別曲風(fēng)并調(diào)整均衡器的調(diào)音臺。它包含兩個旋鈕。

首先是原型引導(dǎo)的時間歸一化（Prototype-guided Temporal Normalization, PTN）。面對新任務(wù)時，模型不會粗暴地把它拉到和歷史任務(wù)完全一樣的統(tǒng)計分布，而是通過可學(xué)習(xí)的門控參數(shù)，在"歷史均值"和"當(dāng)前任務(wù)均值"之間做柔性插值。這就像一位經(jīng)驗豐富的翻譯，既尊重原文語法，又保留新語言的獨特韻味，避免了 rigid 對齊帶來的信息扭曲。

其次是任務(wù)條件頻譜殘差調(diào)制（Spectral Residual Modulation, SRM）。不同BCI范式依賴的腦電頻段截然不同：睡眠分期看重δ波（0.5–4 Hz），運動想象強調(diào)μ波和β波（8–30 Hz），情緒識別則與α和β活動密切相關(guān)。SRM為每個任務(wù)學(xué)習(xí)一組可解釋的頻帶門控（band gates），在δ、θ、α、σ、β、γ六個標(biāo)準(zhǔn)頻段上動態(tài)增強或抑制信號。實驗顯示，睡眠任務(wù)會顯著增強δ頻段，而運動想象任務(wù)則提升β頻段響應(yīng)——這與神經(jīng)生理學(xué)共識高度一致。

圖3 NSN在不同任務(wù)上誘導(dǎo)的相對線性頻譜調(diào)制

第二引擎：RAD——讓新老任務(wù)"氣味相投"才合作

僅有歸一化還不夠。持續(xù)學(xué)習(xí)的經(jīng)典困境是可塑性-穩(wěn)定性權(quán)衡（plasticity-stability trade-off）：學(xué)新任務(wù)時，舊任務(wù)的神經(jīng)表征容易被覆蓋。

RAD的設(shè)計精妙之處在于，它不只是機械地"背誦"舊知識，而是聰明地判斷：新任務(wù)和舊任務(wù)在頻譜上是否"投緣"？

它由兩部分構(gòu)成。響應(yīng)幾何蒸餾（Response-Geometry Distillation, RGD）像一位嚴(yán)格的私塾先生，要求當(dāng)前模型（學(xué)生）在處理舊任務(wù)回放樣本時，保持與凍結(jié)舊模型（教師）相同的樣本間關(guān)系幾何。通過匹配非對角線的關(guān)系矩陣，舊任務(wù)的內(nèi)在結(jié)構(gòu)被牢牢鎖定。

頻譜親和對齊（Spectral-Affinity Alignment, SAA）則更進一步。它計算當(dāng)前任務(wù)與回放任務(wù)的頻譜親和度——如果兩個任務(wù)的頻帶門控向量方向相似，就允許它們在響應(yīng)統(tǒng)計上進行對齊；如果頻譜特征八竿子打不著，對齊損失就會被抑制。這避免了負面遷移。

圖4 在RAD約束下舊任務(wù)響應(yīng)關(guān)系結(jié)構(gòu)的保持情況

數(shù)字會說話：一個模型，六項任務(wù)，低遺忘

研究團隊在六個異構(gòu)BCI任務(wù)上展開了系統(tǒng)驗證：睡眠分期（ISRUC）、運動想象（PhysioNet-MI 與 BCIC-IV-2a）、情緒識別（FACED）、想象言語（BCIC2020-3）以及精神障礙診斷（Mumtaz）。他們測試了四種主流EEG基礎(chǔ)模型骨干，包括基于Transformer的CBraMod、基于Mamba的EEGMamba，以及CSBrain和DeeperBrain。

結(jié)果令人印象深刻。以CBraMod為例，在順序?qū)W習(xí)全部六項任務(wù)后，EvoBrain的平均平衡準(zhǔn)確率保持在60.7%，相對遺忘率僅約2.4%。在某些情況下，后續(xù)任務(wù)甚至帶來了正向遷移：例如EEGMamba在學(xué)習(xí)新任務(wù)后，F(xiàn)ACED情緒識別的準(zhǔn)確率從0.439提升至0.450。

圖5 跨任務(wù)持續(xù)學(xué)習(xí)在三種不同任務(wù)順序下的性能演化軌跡

與現(xiàn)有持續(xù)學(xué)習(xí)基線（如EWC、LwF、DER++、AGEM等）相比，EvoBrain在雷達圖上形成了一個更大、更均衡的性能包絡(luò)。傳統(tǒng)方法在復(fù)雜任務(wù)（如FACED九類情緒識別）上往往出現(xiàn)明顯的向內(nèi)塌陷，而EvoBrain依然穩(wěn)健。

圖6 EvoBrain與多種持續(xù)學(xué)習(xí)基線方法的雷達圖對比與穩(wěn)定性-可塑性散點分析

從"專用腦"到"通用腦"：腦機接口的下一步

如果只停留在算法層面，顯然不夠。這項研究對腦機接口的工程化落地有著直接的啟示。

當(dāng)前臨床BCI系統(tǒng)大多是"一個場景一臺設(shè)備"：睡眠實驗室用睡眠模型，康復(fù)中心用運動想象模型。EvoBrain展示的持續(xù)進化能力，意味著未來的腦機接口可能只需要一個預(yù)訓(xùn)練好的通用"大腦"，就能在臨床隨訪中逐步適配新患者、新范式，而無需從零開始訓(xùn)練。這對于需要長期佩戴、電池和算力都極其有限的植入式或便攜式設(shè)備而言，是效率上的質(zhì)變。

論文共同作者潘綱教授所在的浙江大學(xué)腦機智能國家重點實驗室，長期致力于腦機接口與類腦計算研究。正如他們在論文中指出的，實現(xiàn)"one-for-all"的通用神經(jīng)解碼，不僅需要更大的預(yù)訓(xùn)練語料，更需要能夠支持序列化任務(wù)擴展的動態(tài)后訓(xùn)練機制。

更深層的意義在于，EvoBrain提供了一種神經(jīng)頻譜感知的持續(xù)適應(yīng)范式。它告訴我們：人腦之所以能在一生中不斷學(xué)習(xí)而不崩潰，或許正是因為感知與行動、頻譜與統(tǒng)計、記憶與可塑性之間存在著精妙的動態(tài)平衡。AI要真正服務(wù)大腦，也得學(xué)會這種平衡。

參考：Yangxuan Zhou, Sha Zhao, Jiquan Wang, Shijian Li, Gang Pan. EvoBrain: Continual Learning of EEG Foundation Models Across Heterogeneous BCI Tasks. arXiv:2606.01767, 2026.

腦機接口社區(qū)是國內(nèi)首家腦機接口(BCI)產(chǎn)業(yè)服務(wù)平臺、國內(nèi)腦機接口新媒體開創(chuàng)者與引領(lǐng)者。主要為企業(yè)、科研團隊、投資機構(gòu)和從業(yè)者提供以下服務(wù)：

宣傳報道：圖文、短視頻、直播形式報道企業(yè)動態(tài)、技術(shù)解讀、產(chǎn)品介紹等內(nèi)容，提升曝光和行業(yè)影響力。

資源對接：根據(jù)需求匹配資本、供應(yīng)鏈、臨床機構(gòu)、渠道方等資源，完成真實對接，促進合作。

成果轉(zhuǎn)化：協(xié)助技術(shù)團隊尋找產(chǎn)業(yè)方、投資人及落地場景，推動技術(shù)到產(chǎn)品的轉(zhuǎn)化。

活動策劃執(zhí)行：承接線上線下路演、沙龍、論壇等活動的策劃與執(zhí)行。

其他定制需求：包括報告定制、市場調(diào)研、人才招聘支持等個性化服務(wù)。

合作洽談，請聯(lián)系微信：ZuoLeiLeiya

（備注：姓名-單位-合作）

投稿丨成為創(chuàng)作者，請聯(lián)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(qū)聊聊