SPERA：融合球面先验与几何频率感知的EEG基础模型
当脑电遇上基础模型，难点究竟在哪？
**脑电图（EEG）**是一种非侵入式的神经活动测量手段，在临床诊断、认知研究与脑机接口（BCI）中应用广泛。但与图像、文本不同，构建通用的 EEG 基础模型一直困难重重——受试者个体差异、采集设备不同、电极导联布局（montage）各异，使得数据分布高度碎片化。
更关键的是，现有 EEG 基础模型大多依赖对观测信号的重建目标。然而观测信号中既包含真正的神经成分，也混杂着眼动、肌电、工频干扰等非神经成分。让模型去重建全部信号，等于强迫它把噪声也一并学进去。
SPERA 的解法：在潜空间里做预测
发表于 NeurIPS 2026 的论文提出了 SPERA（Spherical Prior EEG Representation Architecture），其核心思路借鉴了 JEPA（联合嵌入预测架构）——不再重建原始信号，而是在**潜空间（latent space）**中进行预测。这一转变让模型聚焦于可预测的、结构化的神经表征，而非逐点拟合含噪波形。
为适配 EEG 的独特性质，SPERA 引入了三项关键设计：
- Legendre 多项式空间先验：将电极在头皮上的几何分布编码进注意力机制，使模型能够处理不同导联布局，而非假设固定的电极阵列。
- 因式分解的时空注意力：时间与空间注意力交替堆叠，并周期性插入全注意力块，兼顾计算效率与全局建模能力。
- 关系型频谱正则项：约束潜空间的相似性结构与频谱视图保持一致，让表征在频域上也有意义。
8万小时预训练，九项任务全面领先
SPERA 的预训练规模相当可观：约 80,000 小时的 EEG 数据，来自 29,048 名受试者、覆盖 106 个数据集。在涵盖临床、认知与 BCI 的九项下游任务上，SPERA 取得了最高的平均平衡准确率。
值得注意的是，论文报告了其在**线性探测（linear probing）**下出色的参数效率，以及在多种记录条件下的稳健性。这意味着模型学到的表征具有良好的迁移能力，无需大量微调即可适配新任务。
为什么这件事重要
EEG 领域长期缺乏类似 NLP 或视觉领域的通用骨干网络。SPERA 的价值不仅在于性能数字，更在于它验证了一条路径：用潜空间预测替代信号重建，用几何先验处理异构电极布局。如果这类模型能够持续泛化，未来或可成为跨设备、跨人群的通用 EEG 分析底座，降低每个新应用场景的建模成本。
当然，从论文到临床与消费级 BCI 的落地仍有距离，数据偏倚、实时推理开销等问题尚待检验。但作为 NeurIPS 2026 的接收工作，SPERA 为 EEG 基础模型提供了一个值得关注的新范式。
