EvoBrain: Continual Learning of EEG Foundation Models Across Heterogeneous BCI Tasks

📄 arXiv: 2606.01767v1 📥 PDF

作者: Yangxuan Zhou, Sha Zhao, Jiquan Wang, Shijian Li, Gang Pan

分类: cs.AI

发布日期: 2026-06-01

备注: 18 pages,12 figures

💡 一句话要点

EvoBrain：面向异构BCI任务的脑电基础模型持续学习框架

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 脑机接口 持续学习 脑电图 知识蒸馏 任务归一化 神经科学 深度学习

📋 核心要点

  1. 现有脑机接口解码方法依赖于特定任务的架构，缺乏跨任务的可扩展性，且微调方式限制了知识迁移。
  2. EvoBrain通过神经-频谱任务归一化(NSN)和响应-亲和力蒸馏(RAD)解决可塑性与稳定性之间的权衡。
  3. 在六个BCI任务上的实验表明，EvoBrain优于现有方法，实现了更好的可塑性和稳定性平衡。

📝 摘要（中文）

脑电图(EEG)是非侵入式脑机接口(BCI)的基石，但传统的解码方法依赖于碎片化的、特定于任务的架构，严重限制了跨任务的可扩展性。虽然在海量语料库上预训练的脑电基础模型有望实现通用的脑解码，但目前的后训练依赖于任务隔离的微调。这种静态模式限制了跨异构任务的知识迁移，阻碍了模型的可扩展性，并导致计算和存储开销随任务数量线性增长。为了克服这些瓶颈，我们将下游适配形式化为一个跨任务的持续学习问题，并提出了EvoBrain，一个动态的、任务感知的持续学习框架，用于统一的脑电解码。EvoBrain通过两个互补的组件来解决可塑性-稳定性之间的权衡：(1)神经-频谱任务归一化(NSN)，使传入的任务与历史统计数据对齐，同时重新校准频谱响应以处理分布和神经-频谱偏移；(2)响应-亲和力蒸馏(RAD)，结合时间相关的回放，保留旧任务的响应几何形状，并促进频谱兼容任务之间的选择性知识迁移，从而有效地缓解遗忘。在六个不同的BCI任务上的广泛评估表明，EvoBrain始终优于各种基础骨干网络上的最先进方法，从而优化了可塑性和稳定性。据我们所知，这项工作开创了脑电领域的跨任务持续学习，从而推动了统一的、一体化的脑解码系统的实现。

🔬 方法详解

问题定义：现有脑机接口(BCI)系统依赖于针对特定任务训练的模型，无法有效利用不同任务之间存在的共性知识。当需要处理新的BCI任务时，通常需要从头开始训练新的模型，导致计算资源浪费和泛化能力不足。此外，这种孤立的训练方式也限制了模型在面对数据分布变化时的鲁棒性。

核心思路：EvoBrain的核心思路是将不同BCI任务的训练过程视为一个持续学习问题，通过动态调整模型参数，使其能够逐步适应新的任务，同时保留先前学习到的知识。该方法旨在解决持续学习中的“灾难性遗忘”问题，即模型在学习新任务时忘记旧任务的知识。

技术框架：EvoBrain框架包含两个主要模块：神经-频谱任务归一化(NSN)和响应-亲和力蒸馏(RAD)。NSN模块用于对输入数据进行预处理，使其与历史统计数据对齐，并校正频谱响应。RAD模块则通过知识蒸馏的方式，将旧任务的知识迁移到新任务中，同时使用时间相关的回放策略来防止遗忘。整体流程为：首先使用NSN对输入脑电信号进行归一化，然后使用RAD进行知识蒸馏和模型更新，最后使用时间相关的回放策略来维护旧任务的知识。

关键创新：EvoBrain的关键创新在于其将持续学习的思想引入到脑机接口领域，并提出了神经-频谱任务归一化(NSN)和响应-亲和力蒸馏(RAD)两种新的技术。NSN能够有效地处理不同任务之间的数据分布差异，而RAD则能够促进知识迁移并防止遗忘。与传统的微调方法相比，EvoBrain能够更好地利用不同任务之间的共性知识，从而提高模型的泛化能力和鲁棒性。

关键设计：NSN模块通过计算每个任务的均值和方差，并使用这些统计信息对输入数据进行归一化。RAD模块使用KL散度作为损失函数，用于衡量新任务的预测结果与旧任务的预测结果之间的差异。时间相关的回放策略通过维护一个包含旧任务数据的缓冲区，并在训练新任务时随机抽取缓冲区中的数据进行训练，从而防止遗忘。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

EvoBrain在六个不同的BCI任务上进行了评估，结果表明其性能始终优于最先进的方法。具体而言，EvoBrain在所有任务上的平均准确率都高于基线模型，并且在某些任务上的提升幅度超过5%。实验结果还表明，EvoBrain能够有效地平衡可塑性和稳定性，在学习新任务的同时，不会忘记旧任务的知识。

🎯 应用场景

EvoBrain的潜在应用领域包括：个性化脑机接口、康复机器人控制、神经疾病诊断和辅助等。通过持续学习不同用户的脑电数据，EvoBrain可以构建更加个性化和自适应的脑机接口系统。此外，该方法还可以用于开发能够处理多种控制指令的康复机器人，帮助患者恢复运动功能。EvoBrain也有望应用于神经疾病的早期诊断，通过分析患者的脑电数据，识别潜在的疾病风险。

📄 摘要（原文）

Electroencephalography (EEG) is the cornerstone of non-invasive brain-computer interfaces (BCIs), yet conventional decoding relies on fragmented, task-specific architectures that severely limit cross-task scalability. While EEG foundation models pre-trained on massive corpora promise universal brain decoding, current post-training depends on task-isolated fine-tuning. This static paradigm restricts knowledge transfer across heterogeneous tasks, hinders model scalability, and incurs computational and storage overheads that scale linearly with task count. To overcome these bottlenecks, we formulate downstream adaptation as a cross-task continual learning problem and propose EvoBrain, a dynamic, task-aware continual learning framework for unified EEG decoding. EvoBrain addresses the plasticity-stability trade-off via two complementary components: (1) Neuro-Spectral Task Normalization (NSN) aligns incoming tasks with historical statistics while recalibrating spectral responses to handle distributional and neuro-spectral shifts; and (2) Response-Affinity Distillation (RAD), combined with time-dependent replay, preserves old-task response geometry and promotes selective knowledge transfer between spectrally compatible tasks, effectively mitigating forgetting. Extensive evaluations across six distinct BCI tasks demonstrate that EvoBrain consistently surpasses state-of-the-art methods across diverse foundation backbones, optimally balancing plasticity and stability. To our knowledge, this work pioneers cross-task continual learning in the EEG domain, advancing the realization of a unified, one-for-all brain decoding system.