一、腦機接口困境：從「專才」到「通才」的范式轉變需求

腦機接口（Brain-Computer Interface, BCI）被視為連接人類智能與人工智能的終極界面。要真正實現(xiàn)這一愿景，核心在于高精度的腦信號解碼，即讓通用 AI 模型能夠真正「讀懂」復雜多變的腦活動。

近年來，腦電信號（EEG）解碼技術促進了從醫(yī)療診斷（如癲癇檢測、精神障礙診斷）到認知增強（如疲勞監(jiān)測、情緒識別），再到肢體輔助和言語解碼等一系列應用。

然而，長期以來，這一領域主要依賴于任務特定的深度學習模型，如 CNN、RNN 和 GNN 等。這些模型在特定數(shù)據(jù)集和任務上表現(xiàn)優(yōu)異，卻存在致命短板：缺乏通用性與跨任務遷移能力。模型往往需要在每個新任務上從零開始，難以適應復雜、多樣、動態(tài)的人腦信號。這導致模型既無法實現(xiàn)規(guī)?；?，也很難從海量且異構的腦電數(shù)據(jù)中學到真正通用、可遷移的神經(jīng)表征，使得當下的 BCI 系統(tǒng)仍停留在彼此孤立的「專才」應用階段，難以支撐通用腦機接口對多種認知和運動任務的靈活、穩(wěn)定解碼需求。

二、基礎模型賦能：跨尺度、結構感知的腦基礎模型 CSBrain

受自然語言處理和計算機視覺領域基礎模型（如 GPT、InternLM、SAM、DINO 等）成功的啟發(fā)，AGI 的浪潮正在席卷科學計算。

研究人員開始思考：能否構建一個強大的腦基礎模型（Brain Foundation Model），像理解語言或圖像一樣，去理解各種任務下的腦信號，從而為通用 BCI 系統(tǒng)提供底層的認知操作系統(tǒng)？

然而，移植現(xiàn)有范式面臨挑戰(zhàn)：腦信號具備獨特的跨尺度時空結構，即神經(jīng)活動的時間和空間尺度在不同任務間差異巨大，從瞬時爆發(fā)到慢波震蕩，從局部激活到全腦協(xié)作。傳統(tǒng)的尺度無關的密集建模范式并不能有效捕捉內在神經(jīng)結構。

為解決上述挑戰(zhàn)，來自上海人工智能實驗室、中山大學和香港中文大學的聯(lián)合研究團隊提出了 CSBrain (Cross-scale Spatiotemporal Brain foundation Model)，其核心思想是構建一個跨尺度結構感知的架構，將神經(jīng)生理學先驗融入模型設計。論文被接收為NeurIPS 2025 Spotlight。

• 論文標題：CSBrain: A Cross-scale Spatiotemporal Brain Foundation Model for EEG Decoding
• 論文地址：https://arxiv.org/abs/2506.23075
• Github：https://github.com/yuchen2199/CSBrain

CSBrain 引入了兩大核心創(chuàng)新模塊，并采用交替堆疊的方式，漸進式地整合跨尺度的時空依賴：

1. 跨尺度時空標記化（CST）

CST 模塊通過多尺度時空卷積核在腦電信號的局部時間窗口和解剖腦區(qū)內，分別提取多尺度的時間和空間特征，時空聚合后生成兼具粗、細粒度的腦電 tokens。

此外，CST 還設計了指數(shù)衰減的維度分配策略，即小尺度核分配高維度以保留細節(jié)，大尺度核分配低維度捕獲上下文，從而在神經(jīng)表征能力與計算效率之間取得平衡。

2. 結構化稀疏注意力（SSA）

SSA 模塊針對 CST 輸出的結構化 token，引入窗口間注意力和區(qū)域間注意力，捕獲長程時序依賴的同時建?？缒X區(qū)交互。通過這種稀疏注意力設計，計算復雜度從 O (N2) 降低至 O (N?k)，同時也有效抑制腦電噪聲帶來的虛假關聯(lián)。

CSBrain 采用掩碼自預測的自監(jiān)督預訓練范式，并基于 TUEG 數(shù)據(jù)集中超過 9000 小時的腦電信號數(shù)據(jù)完成了大規(guī)模預訓練。

三、實驗亮點與分析

研究團隊在11 個代表性腦解碼任務、16 個公共數(shù)據(jù)集上進行了全面驗證，涵蓋了運動想象、情緒識別、癲癇檢測、睡眠分期、語音想象等關鍵 BCI 應用場景。

結果顯示，CSBrain 在幾乎所有任務和評估指標上均達到了當前最強性能。在 11 項任務的平均結果中，相較于當前 SOTA 模型實現(xiàn)3.35% 的整體性能提升。

CSBrain 在高挑戰(zhàn)性解碼任務上的表現(xiàn)尤其出色，在運動想象任務（BCIC-IV-2a）上的準確率指標較 SOTA 模型提升5.2%，在癲癇檢測任務（Siena）上的 AUC-PR 指標提升7.6%。這些優(yōu)勢得益于跨尺度建模能更好地適配任務特定的神經(jīng)模式，從而顯著增強模型的泛化與魯棒性。

這些實驗結果驗證了 CSBrain 融合跨尺度時空建模范式和預訓練腦基礎模型的有效性，為多達 11 類 BCI 應用提供了有效支撐。這不僅為腦基礎模型提供了新的架構設計思路，也為下一代腦機接口的設計打開了全新可能。

未來隨著數(shù)據(jù)規(guī)模的擴展與計算能力的提升，腦基礎模型的研究有望在更廣泛的腦—AI 融合場景中發(fā)揮更大作用，加速腦科學與人工智能的深度交匯，推動新一代腦機接口的加速應用。