BrainOmni：面向统一EEG和MEG信号的脑部基础模型
信号处理
2025-10-16 v3 机器学习
摘要
脑电图（EEG）和脑磁图（MEG）通过捕捉由树突电流产生的电磁场来非侵入性地测量神经活动。尽管根植于相同的生物物理学，EEG和MEG显示出不同的信号模式，进一步复杂化的是跨模态和录制设备的传感器配置差异。现有方法通常依赖于针对特定模态和数据集的独立模型，这限制了性能和跨域可扩展性。本文提出BrainOmni，首个能够在异构EEG和MEG录制数据上通用的脑部基础模型。为统一多样化数据源，我们引入BrainTokenizer，首个将脑部活动的时空脑信号量化为离散表征的tokenizer。BrainTokenizer的核心是一种新型传感器编码器，对传感器属性（如空间布局、方向和类型）进行编码，实现跨设备和跨模态的兼容性。基于离散表征，BrainOmni通过自监督预训练学习统一的脑信号语义嵌入。据我们了解，这是首个支持EEG和MEG信号的基础模型，也是首个包含大规模MEG预训练的模型。我们精选了1,997小时的EEG数据和656小时的MEG数据，从公开来源获取并标准化，用于预训练。实验表明，BrainOmni在多项下游任务上均优于现有基础模型和最先进的任务特定模型。它还显示出强大的对未见EEG和MEG设备的泛化能力。进一步分析揭示，联合EEG-MEG（EMEG）训练在两种模态上均一致性地提升性能。代码和模型权重已公开提供于https://github.com/OpenTSLab/BrainOmni。
引用
@article{arxiv.2505.18185,
title = {BrainOmni: A Brain Foundation Model for Unified EEG and MEG Signals},
author = {Qinfan Xiao and Ziyun Cui and Chi Zhang and Siqi Chen and Wen Wu and Andrew Thwaites and Alexandra Woolgar and Bowen Zhou and Chao Zhang},
journal= {arXiv preprint arXiv:2505.18185},
year = {2025}
}
备注
Accepted by the 39th Conference on Neural Information Processing Systems (NeurIPS 2025)