ENIGMA：15 分钟内使用不到1%参数实现 EEG 转图像
神经元与认知
2026-02-12 v1 人工智能
计算机视觉与模式识别
人机交互
摘要
为实用性，脑机接口模型必须能够轻快部署于新受试者、有效运行于可负担的扫描硬件上，并且足够小型可在可及计算资源上本地运行。为此，我们引入 ENIGMA——一个多受试者 EEG 转图像解码模型，通过从 EEG 录音重建看见的图像，实现对 research-grade THINGS-EEG2 和 consumer-grade AllJoined-1.6M 数据集取得最新SOTA性能，同时仅需15分钟数据即可在新受试者上有效微调。ENIGMA 拥有更简洁的架构，仅需约1%的可训练参数即可实现先前方法。我们的方案整合了 subject-unified 时空 backbone 以及一组多受试者潜在对齐层和 MLP 投影器，将原始 EEG 信号映射到丰富的视觉潜在空间。我们使用 fMRI 转图像研究中标准化的广泛图像重建指标进行评估，并首次对重建图像进行大规模行为评估。我们的简单稳健架构在 research-grade 和 consumer-grade EEG 硬件上均实现显著性能提升，同时大幅改善微调效率和推理成本。最后，我们提供了大量消融实验，以确定在单受试者和多受试者情况下的架构选择对性能提升最具影响的因素。总体而言，我们的工作为开发实用脑机接口应用提供了重要进展。
引用
@article{arxiv.2602.10361,
title = {ENIGMA: EEG-to-Image in 15 Minutes Using Less Than 1% of the Parameters},
author = {Reese Kneeland and Wangshu Jiang and Ugo Bruzadin Nunes and Paul Steven Scotti and Arnaud Delorme and Jonathan Xu},
journal= {arXiv preprint arXiv:2602.10361},
year = {2026}
}