研究背景：

面对不同脑电信号任务，如睡眠分期、癫痫检测、阿尔茨海默病识别等，研究者往往要准备不同数据、重新训练不同模型。换一个中心、换一套电极，模型又可能从头再来。这种反复定制，也让模型难以真正走出实验室。能否让同一个模型读懂不同来源的脑电信号，并根据一句自然语言指令直接完成新任务？

文章概述：

近日，北京大学信息工程学院罗桂波、杨玉超团队在Advanced Intelligent Systems发表研究：A Language-Guided Multimodal Foundation Model for Zero-Shot and Multi-Task Brain Signal Analysis，提出语言引导的多模态脑电信号基础模型METIS。它将原本彼此割裂的脑电信号任务统一为“脑电信号问答”：模型接收一段脑电信号和一个自然语言问题，直接给出相应答案。这意味着，模型不必再为每一种疾病、每一种信号和每一个数据集单独搭建分析流程。自然语言成为连接任务意图与脑电信号表征的统一接口，也使零样本与多任务分析首次在同一框架下得到系统验证。

图文导读

语言引导的统一脑电信号分析框架

让一个模型同时处理来自不同设备、不同采集方式的脑电信号，单纯给脑电信号“接上”大语言模型远远不够。为此，METIS首先利用通用信号编码器，适配通道数、采样率和记录时长各不相同的EEG、ECoG与SEEG；随后通过多模态注意力实现脑电信号与自然语言之间的信息交互；混合专家网络则根据不同信号和任务灵活调配计算能力，使模型既能共享通用知识，又能保留处理具体任务所需的专业性。

METIS在20个数据集上完成预训练，覆盖超过11,000名受试者、70,000小时记录和1,800万段信号。数据横跨睡眠、癫痫、神经退行性疾病和精神疾病等场景，为同一个模型处理多模态、多任务脑电信号奠定了基础。

图1.METIS的数据资源、核心架构与任务范式。模型将异质脑电信号与自然语言统一建模，并支持零样本分类、少样本分类、Signal-QA和跨数据集迁移

多任务场景下的零样本泛化能力

零样本分类能力是METIS最引人注目的突破。面对目标数据集，模型既不需要读取训练样本，也不进行任务特定微调，只需根据自然语言问题完成判断。在12个数据集上，METIS的零样本平均AUROC达到75.5%，超过使用1%标注数据训练的监督模型平均水平（73.2%）。在ISRUC睡眠分期任务中，其零样本AUROC达到94.1%，甚至高于使用10%标注数据训练的基线模型。

更重要的是，模型并非只给出答案。可视化结果显示，当METIS判断N3期睡眠时，会关注具有临床意义的慢波活动。这说明模型正在把具体神经活动与“睡眠阶段”等高层语义联系起来，而不是仅仅记住某个数据集的统计特征。

图2.METIS在12个下游数据集上的多任务零样本表现。模型仅凭脑电信号和自然语言问题完成判断，整体超过使用少量标注数据训练的任务专用模型

与通用多模态基础模型的零样本性能对比

通用多模态大模型擅长图像和语言，却未必真正理解脑电信号。该研究将METIS与ChatGPT、Gemini、Grok和DeepSeek进行比较：在12个下游数据集上，METIS的零样本平均准确率比最佳通用模型高出20.9个百分点以上；在四个代表性数据集的多选问答中，平均准确率达到78.3%，比最佳通用模型高28.6个百分点，开放式回答也保持明显优势。

定性结果揭示了差距的来源：METIS通过大规模脑电信号预训练和信号-语言对齐，减少了这种模态混淆，使回答真正建立在信号证据之上。

图3.METIS与四类通用多模态大模型的零样本Signal-QA对比。METIS在多选识别与开放式回答中均保持领先

少样本条件下的高效适应能力

当标注极其有限时，METIS仍能迅速适应新任务。在14个数据集上，从1-shot增加到8-shot，模型平均AUROC由76.9%稳定提升至81.4%，相对最佳预训练基线保持约16至18个百分点的优势。以Dreams睡眠分期为例，METIS仅用2-shot便达到95.2%的AUROC，比最佳基线高39.8个百分点。对于标注昂贵、样本稀缺的脑机接口和临床研究，这种数据效率意味着更低的启动门槛。

图4.METIS的少样本学习表现。随着可用标注从1-shot增加到8-shot，模型在多类脑电信号任务上持续、稳定提升

跨数据集迁移与表征稳定性

真实脑电信号往往来自不同医院、设备和人群。研究在四类任务上设置了8组跨数据集迁移实验：模型在一个数据集训练后，直接到另一个数据集测试，不再微调。METIS平均领先最佳基线15.9个百分点；在睡眠分期中，从ISRUC迁移到Dreams的AUROC达到94.0%，反向迁移达到95.2%。

特征可视化显示，METIS在不同数据集中仍能保持相近的类别结构，模型在面对分布变化时仍能保持稳定。

图5.跨数据集迁移、特征空间与专家路由。METIS在8组跨数据集测试中保持领先，并呈现更稳定的类别结构以及兼顾共享与专门化的专家分工

从专用模型，走向通用脑电信号助手

METIS的价值不止于取得领先的基准表现，更在于推动脑电信号分析从“单任务、单模型”走向以自然语言为统一接口的“多任务、零样本”范式。尽管其泛化能力仍需在更广泛人群和罕见疾病队列中进一步验证，这项工作已展现出清晰的发展方向：推动脑电信号基础模型从专用工具迈向跨场景迁移、自然语言交互的通用智能助手。

论文第一作者为陈明智（北大硕士毕业，现为MBZUAI博士研究生），共同通讯作者为罗桂波、杨玉超。论文发表于Advanced Intelligent Systems。

论文信息：

A Language-Guided Multimodal Foundation Model for Zero-Shot and Multi-Task Brain Signal Analysis

Mingzhi Chen, Yiyu Gui, Guibo Luo, Yuchao Yang

Advanced Intelligent Systems

DOI:10.1002/aisy.70486

原文链接：https://doi.org/10.1002/aisy.70486

期刊介绍：

Advanced Intelligent Systems是Wiley旗下智能系统领域开放获取旗舰刊。期刊收录关于具有刺激或指令响应智能的人造装置系统的研究，包括机器人、自动化、人工智能、机器学习、人机交互、智能传感和程序化自组装等前沿应用。