Structured Prototype-Guided Adaptation for EEG Foundation Models

📄 arXiv: 2602.17251v1 📥 PDF

作者: Jingying Ma, Feng Wu, Yucheng Xing, Qika Lin, Tianyu Liu, Chenyu Liu, Ziyu Jia, Mengling Feng

分类: cs.LG

发布日期: 2026-02-19

💡 一句话要点

提出SCOPE框架，通过结构化原型引导自适应脑电基础模型，提升少样本跨被试泛化能力。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 脑电基础模型 少样本学习 跨被试泛化 原型学习 自适应微调

📋 核心要点

  1. 脑电基础模型在有限监督下泛化性差，源于监督信号与模型参数空间之间的结构性不匹配。
  2. SCOPE框架通过学习任务先验和构建类级原型，生成置信度感知的伪标签，提供可靠的外部监督。
  3. ProAdapter模块利用结构化原型自适应调整冻结的脑电基础模型，实现高效的少样本学习。

📝 摘要（中文）

脑电图（EEG）基础模型（EFM）在完全微调下表现出色，但在受试者层面监督有限时，泛化能力较差，这在实际临床环境中很常见。我们发现，这种失败不仅源于有限的监督，还源于噪声、有限的监督与EFM高度可塑的参数空间之间的结构性不匹配。为了解决这个挑战，我们提出了SCOPE，一个用于EFM微调的结构化置信度感知原型引导自适应框架。SCOPE遵循两阶段流程。第一阶段，我们通过学习几何正则化的任务先验来构建可靠的外部监督，在生成的嵌入上构建平衡的类级原型，并通过它们的一致性产生置信度感知的伪标签，以过滤未标记数据上不可靠的信号。第二阶段，我们引入ProAdapter，它通过一个以结构化原型为条件的轻量级适配器来调整冻结的脑电基础模型。在三个脑电任务和五个基础模型骨干上的实验表明，SCOPE在标签有限的跨受试者设置下始终如一地实现了强大的性能和效率。

🔬 方法详解

问题定义：脑电基础模型在完全微调时表现良好，但在实际临床场景中，受试者层面的标注数据往往有限，导致模型泛化能力显著下降。现有方法未能有效利用有限的监督信息，并且模型参数空间过于灵活，容易受到噪声数据的影响，造成结构性不匹配。

核心思路：SCOPE框架的核心思路是通过引入结构化的原型表示，为脑电基础模型的微调提供更稳定、可靠的监督信号。具体来说，首先利用几何正则化的任务先验知识，学习更具区分性的嵌入表示，然后基于这些嵌入构建类级别的原型，并利用原型生成置信度感知的伪标签，从而过滤掉噪声数据，提高监督信号的质量。

技术框架：SCOPE框架包含两个主要阶段：1) 外部监督构建阶段：利用几何正则化的任务先验学习嵌入，构建平衡的类级原型，并生成置信度感知的伪标签。2) 基于原型的自适应微调阶段：引入ProAdapter模块，该模块以结构化原型为条件，自适应地调整冻结的脑电基础模型。ProAdapter是一个轻量级的适配器，可以高效地将原型信息融入到模型中。

关键创新：SCOPE框架的关键创新在于：1) 提出了结构化原型引导的自适应微调方法，有效缓解了有限监督下的结构性不匹配问题。2) 引入了置信度感知的伪标签生成机制，可以过滤掉噪声数据，提高监督信号的质量。3) 设计了ProAdapter模块，可以高效地将原型信息融入到脑电基础模型中，实现高效的少样本学习。

关键设计：在外部监督构建阶段，使用了对比学习损失函数来学习几何正则化的任务先验。在原型构建阶段，使用了K-means聚类算法来生成类级别的原型。在ProAdapter模块中，使用了注意力机制来融合原型信息和脑电特征。损失函数包括交叉熵损失和原型一致性损失，用于优化模型参数。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

SCOPE框架在三个脑电任务和五个基础模型骨干上进行了实验，结果表明，在标签有限的跨受试者设置下，SCOPE始终如一地实现了强大的性能和效率。相比于传统的微调方法，SCOPE在少样本场景下取得了显著的性能提升，证明了其有效性和优越性。具体性能数据在论文中有详细展示。

🎯 应用场景

该研究成果可应用于多种脑电相关的临床应用，例如脑机接口、癫痫检测、睡眠分期、认知负荷评估等。通过利用少量标注数据和大量未标注数据，可以快速构建个性化的脑电模型，提高诊断和治疗的准确性和效率。该方法还可以推广到其他小样本学习场景，具有广泛的应用前景。

📄 摘要（原文）

Electroencephalography (EEG) foundation models (EFMs) have achieved strong performance under full fine-tuning but exhibit poor generalization when subject-level supervision is limited, a common constraint in real-world clinical settings. We show that this failure stems not merely from limited supervision, but from a structural mismatch between noisy, limited supervision and the highly plastic parameter space of EFMs. To address this challenge, we propose SCOPE, a Structured COnfidence-aware Prototype-guided adaptation framework for EFM fine-tuning. SCOPE follows a two-stage pipeline. In the first stage, we construct reliable external supervision by learning geometry-regularized task priors, constructing balanced class-level prototypes over the resulting embeddings, and producing confidence-aware pseudo-labels from their agreement to filter unreliable signals on unlabeled data. In the second stage, we introduce ProAdapter, which adapts frozen EEG foundation models via a lightweight adapter conditioned on the structured prototypes. Experiments across three EEG tasks and five foundation model backbones demonstrate that SCOPE consistently achieves strong performance and efficiency under label-limited cross-subject settings.