上海AI Lab等機構聯合發布：腦電基礎模型黑箱審計，它到底學會并用了什么？

一個越來越現實的問題是：當 EEG 基礎模型在睡眠分期、癲癇檢測、抑郁識別或壓力檢測中取得高分時，研究人員究竟能否說清它到底“看懂”了什么？如果模型只像一個分數很高但無法解釋依據的黑箱，那么它距離真正進入臨床腦機接口和長期腦健康監測場景仍有距離。

來自上海人工智能實驗室、上海交通大學、同濟大學、復旦大學和休斯頓大學的研究團隊圍繞這一問題展開系統研究。作者沒有再提出一個新的 EEG 分類器，而是對現有 EEG foundation models 做了一次知識審計：模型是否學到了人類已知的腦電特征，是否真正使用這些特征進行分類，以及這些特征能解釋多少模型性能。

研究結果顯示，EEG 基礎模型大規模編碼并使用了傳統腦電特征，但在部分復雜任務中仍留下現有特征詞典無法解釋的殘差。

高分模型為何仍讓人不放心

EEG 是腦機接口中最常用的非侵入式腦信號之一。它既有時間維度，也有通道維度；既包含 δ、θ、α、β、γ 等頻率節律，也包含跨通道同步、復雜度變化和跨頻耦合等結構。因此，在 BCI 解碼和臨床 EEG 分析中，研究人員長期依賴一套可解釋的手工特征體系，例如頻帶功率、Hjorth 參數、譜熵、樣本熵、相干性和相位滯后指數等。

近幾年，EEG foundation models 開始改變這一范式。這類模型通常在大規模無標注 EEG 數據上預訓練，再遷移到睡眠分期、癲癇檢測、精神狀態識別等下游任務。它們不需要顯式輸入傳統特征詞典，卻能在多個任務中獲得較強表現。

問題在于，性能提升并不自動帶來可信解釋。對于腦機接口系統而言，模型不僅要“能分類”，還要能夠被驗證、被追蹤、被改進。如果研究人員不知道模型依賴的是經典腦電特征，還是某些尚未被命名的潛在結構，那么模型在跨人群、跨設備和臨床輔助決策中的可靠性就很難被充分評估。

給基礎模型做一次三問審計

為回答上述問題，研究團隊將審計對象設定為 3 個 EEG foundation models：CSBrain、CBraMod 和 LaBraM；下游任務覆蓋 5 個臨床 EEG 分類場景：MDD 抑郁識別、Stress 壓力檢測、ISRUC-Sleep 睡眠分期、TUSL 癲癇分型和 Siena 癲癇檢測；特征詞典則包含 6 大家族、63 個手工 EEG 特征。由此形成 3 × 5 × 63 = 945 個“模型—任務—特征”審計單元。

整個流程可以概括為三問。第一問，模型是否學到了某個特征？作者使用逐層 ridge probing 從模型隱藏表示中預測手工特征。第二問，模型是否真正使用該特征？作者在特征編碼最強的層上進行 LEACE-style cross-covariance subspace erasure，擦除目標特征相關子空間，再觀察下游性能是否下降。第三問，這些被確認使用的特征能解釋多少性能？作者用這些特征訓練透明 logistic regression 分類器，并與同維度隨機特征基線和原始基礎模型進行比較。

圖1 論文整體審計框架：Probe 判斷是否編碼，Erase 判斷是否使用，Closure 判斷可解釋特征能恢復多少模型性能。

結果分析：數字會說話

首先，模型確實廣泛學到了人類腦電知識。在 945 個審計單元中，有 847 個通過編碼標準，占比 89.6%；63 個手工 EEG 特征全部至少在一個模型—任務組合中被編碼。這說明 EEG 基礎模型雖然沒有被顯式灌入特征詞典，卻能夠從原始信號中重新恢復出大量經典腦電結構。

圖2 Probing 結果：不同模型、任務和特征家族在網絡深度上的可讀性強度。

但“讀得出來”并不等于“真的用上”。進一步的擦除實驗顯示，945 個審計單元中有 648 個（68.6%）是 representation-causal，即擦除對應特征后模型性能顯著下降；另有 199 個（21.1%）屬于 encoded-only，即這些特征存在于表示中，卻沒有實質參與當前分類決策。

這一結果提醒研究人員：僅憑 probing 很容易把“模型知道什么”誤讀為“模型依賴什么”，腦機接口模型的可解釋性分析需要進一步檢驗因果使用關系。

圖3 淺色表示模型可編碼的特征，深色表示通過擦除檢驗后被確認用于分類的特征。

從特征家族看，頻域特征貢獻最強，這與傳統 EEG 研究中頻帶功率和頻譜形狀的重要性一致。不過，時間域形態、時頻包絡、信號復雜度、跨頻耦合和跨通道關系同樣在多個任務中貢獻了可觀的 causal mass。這意味著 EEG 基礎模型并不是只盯著頻帶功率，而是在利用一個多尺度、多通道、多家族的腦電特征組合。

圖4 特征家族層面的總結：頻域特征領先，但其他特征家族也提供了重要的因果貢獻。

更關鍵的是 Closure 分析。研究人員將每個模型—任務單元中確認被使用的特征拿出來，訓練透明分類器，并計算這些特征能夠恢復多少基礎模型相對隨機特征基線的優勢。結果顯示，確認特征平均恢復了 79.3% 的基礎模型優勢。MDD 和 Sleep 等任務幾乎可以被現有特征詞典解釋，而 TUSL 和 Stress 等更復雜任務仍保留明顯殘差。

這些殘差并不只是“解釋失敗”。相反，它們可能指向現有 EEG 特征詞典尚未覆蓋的信號結構，也可能反映非線性組合、跨時間尺度動態或任務特異性神經模式。對于 BCI 研究而言，這為后續發現新的可解釋腦電概念提供了更具體的搜索方向。

表1 Closure 分析結果：確認被使用的特征平均恢復 79.3% 的基礎模型優勢。

能分類走向說得清

總體來看，該研究為 EEG 基礎模型提供了一套系統的知識審計范式。它不是只看模型最終得分，而是把模型內部表示與人類長期積累的 EEG 特征詞典逐項對齊，進而區分模型學到的知識、真正用于決策的知識，以及仍未被現有詞典解釋的知識。

對腦機接口領域來說，這一點具有直接啟發意義。未來的 EEG 模型如果要進入長期佩戴、臨床輔助、康復訓練或真實交互場景，就不能只依賴“排行榜式”的性能提升。研究人員還需要知道模型使用的信號依據是否符合神經生理學常識，是否能夠跨任務復現，是否能在出現錯誤時被定位和修正。

這項工作提示，腦機接口模型的下一步不只是更大、更準，也應當更透明、更可審計。

當基礎模型與經典 EEG 特征高度重疊時，這種 overlap 可以增強模型可信度，并為傳統腦電知識提供來自機器學習表征的獨立驗證；當模型優勢無法被現有特征解釋時，這種 gap 又可能反過來推動新的神經標志物和新的 EEG 分析范式出現。從這個意義上看，EEG 基礎模型不只是一個分類工具，也可能成為理解腦電信號本身的新顯微鏡。

參考：

Tang et al. What Do EEG Foundation Models Capture from Human Brain Signals? arXiv:2605.11410v2, 2026.

論文鏈接：https://arxiv.org/abs/2605.11410

代碼鏈接：https://github.com/Kian-Chen/BrainPEC

腦機接口社區是國內首家腦機接口(BCI)產業服務平臺、國內腦機接口新媒體開創者與引領者。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