BrainOmni：腦電腦磁基礎模型，實現跨設備、跨模態的通用腦信號表征

導語

上海人工智能實驗室（上海AI實驗室）聯合清華大學、劍橋大學等合作單位，正式發布BrainOmni——全球首個統一腦電（EEG）與腦磁（MEG）的大腦基礎模型。BrainOmni通過一種新注意力機制，模擬了腦科學中源重構算法的前向過程，并且首次利用傳感器的真實物理屬性（坐標、方向、類型）替代通道命名，從而實現跨設備、跨模態兼容。通過1997小時EEG和656小時MEG的大規模自監督預訓練，BrainOmni在9項下游任務上超越現有基礎模型與專用模型，并在未見過的設備上展現強零樣本泛化能力。工作自發布以來，收到了來自牛津大學、劍橋大學、法國國家科學研究中心、荷蘭Radboud大學、美國著名可穿戴腦磁圖企業等的關注與合作邀請。

神經計算與控制實驗室丨來源

論文鏈接：https://arxiv.org/abs/2505.18185 開源鏈接：https://github.com/OpenTSLab/BrainOmni

BrainOmni: 統一EEG-MEG的腦基礎模型

神經元活動是大腦功能的主要載體，對其精確的測量與理解對探究大腦思考過程、多模態刺激下的信息解碼、神經疾病診斷等任務至關重要。腦電圖（EEG）和腦磁圖（MEG）通過記錄神經電流引發的二次電流及磁場，間接測量大腦內部的活動，是兩種相對安全便利的非侵入式測量手段，具有廣闊的拓展與應用前景。

盡管EEG與MEG同源于神經電流激發的電磁場，二者長期以來多被分開建模。且由于腦電磁設備的異構特性（通道數、布局、朝向、傳感器類型），過往的模型往往只能應用于特定的數據集/設備/任務，難以學習跨設備跨數據集的泛化知識。近來，一些EEG基礎模型對腦電信號的大規模預訓練進行了探索，然而這些模型大多仍依賴特定的通道命名系統，無法真正兼容全部的腦電數據。同時盡管MEG有比EEG更高的時空精度，因復雜性高且公開數據稀缺，還缺少基礎模型的探索。

BrainOmni首次在統一特征空間內對EEG與MEG進行聯合預訓練，兼容不同腦電磁設備，實現跨模態、跨設備、跨任務、跨被試的通用表征學習，在多種下游任務上表現優越。該工作配套提出BrainTokenizer，把連續的腦活動壓縮并量化為離散神經詞元，為大規模“腦信號語言建模”奠定基礎。

更強跨被試下游性能與零樣本跨設備泛化

• 下游性能領先：跨被試實驗設置下，BrainOmni在運動想象、情緒識別、異常檢測、抑郁檢測、阿爾茨海默癥檢測、帕金森檢測、 自閉癥檢測等9個下游任務上，取得了優于領域專家模型以及之前的EEG基礎模型的性能。

表1: 八個EEG數據集上BrainOmni與baseline的比較。

表2：MEG和EMEG數據集上BrainOmni與Baseline的比較。

• 零樣本跨設備泛化能力：在訓練期間未接觸的EEG/MEG設備上，BrainTokenizer保持穩定的信號重建效果，體現了模型跨設備的強大泛化能力。

表3：BrainTokenizer在零樣本設備數據的重建結果。

• 腦電磁模態互增益：相比于單模態預訓練，EEG/MEG的聯合預訓練帶來了穩定的性能提升，體現了將同源的腦電磁信號聯合建模的優勢。

表4：聯合EEG/MEG預訓練與單獨進行EEG或MEG訓練的比較。

“潛在源變量”建模與神經詞元離散，

實現異構數據統一與上下文建模

BrainTokenizer：研究團隊創新性提出了 Sensor Encoder 模塊對腦電磁傳感器的物理特性進行可學習建模，通過設備信息的顯式注入使得模型實現對多樣化設備的兼容。同時團隊受腦科學領域源活動估計方法的啟發，假定異構的電磁信號由同構的一組神經活動源變量激發，將腦外電磁信號映射到統一特征空間，并將連續的源變量特征離散化，將腦信號轉化為神經詞元序列。

圖1：BrainTokenizer架構

BrainOmni：基于BrainTokenizer的得到的神經詞元，使用掩碼語言建模的無監督范式進行自監督學習，使模型學習高層次語義特征，顯著提升對神經活動的理解能力。

圖2：BrainOmni架構

國家“十五五”規劃已將腦機接口列為未來新經濟增長點之一，其戰略價值正日益凸顯。要實現這一目標，算法、硬件與臨床的深度融合至關重要。腦電磁信號因具備無侵入、可穿戴、高時空精度、低延遲等優勢，具備廣泛的普適性和應用潛力，是拓展腦機接口人群與場景、提升產業價值的關鍵方向。

BrainOmni 系列基礎模型從 AI 角度破解了電磁信號融合、跨設備通用等長期技術瓶頸，并為高價值 MEG 數據稀缺這一行業痛點提供了新的解決途徑。上海AI實驗室正與國內外機構緊密合作，從“通專融合”的技術路線持續演進 BrainOmni 系列，在提升性能的同時拓展更多應用領域，進一步融入侵入式腦電、神經影像等更多模態信息。

未來，該系列模型將與上海人工智能實驗室的『書生』通專融合基礎大模型 Intern-S1與 科學發現平臺 Intern Discovery 深度融合，發展為面向腦機接口研究與臨床應用、覆蓋全模態的 AGI4Science 關鍵組件之一。

計算神經科學第三季讀書會

從單個神經元的放電到全腦范圍的意識涌現，理解智能的本質與演化始終是一個關于尺度的問題。更值得深思的是，無論是微觀的突觸可塑性、介觀的皮層模塊自組織，還是宏觀的全局信息廣播，不同尺度的動力學過程都在共同塑造著認知與意識。這說明，對心智的研究從最初就必須直面一個核心挑戰：局部的神經活動如何整合為統一的體驗？局域的網絡連接又如何支撐靈活的智能行為？

繼「」與「」讀書會后，集智俱樂部聯合來自數學、物理學、生物學、神經科學和計算機的一線研究者共同發起，跨越微觀、介觀與宏觀的視角，探索意識與智能的跨尺度計算、演化與涌現。重點探討物理規律與人工智能如何幫助我們認識神經動力學，以及神經活動跨尺度的計算與演化如何構建微觀與宏觀、結構與功能之間的橋梁。

詳情請見：

1.

2.

3.

4.

5.

6.