MSBraM：面向层级化EEG动态的多尺度自监督脑基础模型

2026年7月24日

多尺度视角下的脑电革命：MSBraM如何重新定义EEG基础模型？

在脑机接口与神经工程领域，脑电图（EEG）一直被视为一面“充满噪声但信息丰富”的镜子。然而，长期以来，研究者面临着一个核心困境：EEG信号的复杂性与其分析工具的简化之间存在巨大鸿沟。

2026年7月23日，随着论文《MSBraM: A Multi-scale Self-supervised Brain Foundation Model for Hierarchical EEG Dynamics Learning》在 arXiv 上的发布，这一局面可能迎来转机。由Tao Zhou、Jing Han等人提出的MSBraM，不仅是一个新的算法模型，更是对EEG信号本质属性——多尺度层级动态特征的一次深刻回应。

一、被忽视的真相：EEG不是单一时间的信号

要理解MSBraM的价值，首先需理解传统EEG分析的痛点。

脑电活动并非均匀分布在所有时间维度上。它既包含毫秒级的局部神经元放电模式（如事件相关电位ERP），也包含秒级甚至分钟级的长程依赖关系（如睡眠阶段转换或认知状态漂移）。

现有的自监督基础模型往往采用“一刀切”的时间窗口进行处理。这种处理方式如同用固定焦距的镜头拍摄风景：看清楚了局部的树叶，却丢失了整体的森林；或者把握了整体的轮廓，却模糊了关键的细节。 这种跨尺度表示学习的缺失，直接限制了模型在下游任务中的泛化能力。

二、 MSBraM的核心突破：从连续信号到离散语义

MSBraM并未试图修补旧有的线性模型，而是构建了一套全新的双阶段预训练框架。其核心技术亮点在于以下两点：

1. 多尺度神经词元化器（Multi-scale Neural Tokenizer）

这是MSBraM的“翻译官”。原始EEG信号是连续的模拟波形，而现代大模型擅长处理离散的 token（词元）。

MSBraM通过向量量化重建技术，将不同时间分辨率下的EEG信号离散化为语义代码（semantic codes）。这一步骤至关重要，因为它不仅实现了从连续到离散的转换，更保留了信号在不同时间尺度上的特征结构。这就好比将一段复杂的交响乐，拆解为不同节奏层级的乐谱符号，既保留了旋律的细节，又记录了节奏的整体结构。

2. 课程多尺度掩码策略（Curriculum Multi-scale Masking Strategy）

这是MSBraM的“学习法”。在预训练阶段，模型需要通过预测被掩码的代码来学习大脑活动的规律。

MSBraM引入了一种渐进式的学习策略：
* 初期：聚焦于细粒度的局部模式，让模型学会识别基础的神经振荡；
* 后期：逐步整合全局时间上下文，让模型理解这些基础模式如何构成长期的认知状态。

这种类似人类教育中“由浅入深”的课程设计，极大地强化了模型对层级化动态的捕捉能力。

三、规模即力量：2400小时数据的沉淀

在基础模型时代，数据规模往往决定了模型的天花板。

MSBraM在预训练阶段使用了超过2,400小时的EEG数据。这一规模在脑电领域属于顶尖水平。庞大的数据基数使得模型能够覆盖不同人群、不同实验范式以及不同噪声环境下的EEG特征，从而构建出一个真正通用的“大脑表征空间”。

在随后的验证中，MSBraM在12个公共数据集上的10个下游任务中进行了全面评估。结果显示，其在性能上超越了其他最先进（SOTA）的预训练模型。这不仅仅是一个数字的提升，更意味着模型在面对未知数据时，展现出了更强的鲁棒性和可转移性。

四、行业启示：迈向“通用脑智能”的关键一步

MSBraM的发布，为EEG领域的从业者提供了三个重要的信号：

自监督学习的深化：EEG分析正在告别简单的监督学习时代。未来的竞争焦点将从“如何分类”转向“如何理解”，即如何通过复杂的多尺度、层级化表示学习，去挖掘信号背后的深层逻辑。
数据积累的复利效应：2,400小时的数据预训练证明，大规模EEG数据的积累是构建通用脑基础模型的必经之路。谁拥有更多高质量、多样化的数据，谁就掌握了定义标准的话语权。
多尺度设计成为标配：无论是EEG还是其他生物医学时序信号（如ECG、MEG），“多尺度”和“层级化”可能成为未来模型架构的关键设计原则。显式地对不同时间维度信息进行建模，将是提升模型性能的关键钥匙。

结语

MSBraM的出现，标志着EEG基础模型进入了一个新的阶段：从关注单一时间点的特征提取，转向关注全尺度、层级化的动态演化。

虽然从实验室的基准测试到临床的实际应用仍有距离，但MSBraM所代表的新范式，无疑为我们提供了一副更清晰、更具穿透力的“眼镜”，去窥探人脑那深邃而复杂的电活动宇宙。

参考资料：
* Zhou, T., Han, J., Shu, L., & Zhang, Z. (2026). MSBraM: A Multi-scale Self-supervised Brain Foundation Model for Hierarchical EEG Dynamics Learning. arXiv:2607.21402.