Universal BCI Personalization: One API for Frozen EEG Trunks and Foundation Models

📄 arXiv: 2607.22397v1 📥 PDF

作者: Sergey Musienko

分类: cs.HC, cs.LG, q-bio.NC

发布日期: 2026-07-24

备注: 20 pages, 12 figures. Companion paper on the control layer forthcoming

💡 一句话要点

提出Nimbus Personalizer以解决EEG个性化问题

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

关键词: 脑机接口 EEG个性化 冻结编码器 贝叶斯模型 统一API 适应性学习 信号处理

📋 核心要点

  1. 现有的EEG个性化方法在不同模型间的适应性差，无法有效利用冻结编码器的优势。
  2. Nimbus Personalizer提供了一个统一的API，能够在不同的冻结EEG编码器上进行个性化，简化了集成过程。
  3. 实验结果显示，该方法在多个EEG数据集上表现出色，能够以较低的适应成本实现高准确性。

📝 摘要（中文）

随着冻结EEG编码器的普及，现有模型的微调默认设置无法扩展。本文提出Nimbus Personalizer：一个统一的API，能够在不同的冻结编码器上进行个性化，而无需为每种架构建立新的个性化堆栈。该系统的贡献在于其与编码器无关的API，OEM厂商只需集成一次即可更换编码器。实验结果表明，该方法在多个经典EEG编码器和基础编码器上均表现良好，且在适当的情况下，个性化头部的适应成本显著低于传统的微调方法，同时能够恢复大部分微调带来的准确性提升。

🔬 方法详解

问题定义：本文旨在解决现有EEG个性化方法在不同模型间适应性差的问题，现有方法的微调设置无法有效扩展到多种架构。

核心思路：Nimbus Personalizer通过提供一个与编码器无关的API，使得OEM厂商只需进行一次集成即可在不同的冻结编码器上进行个性化，避免了为每种架构建立新的个性化堆栈。

技术框架：该方法的整体架构包括一个统一的编码器接口、贝叶斯头部和可选的仿射中间层，能够在不同的冻结编码器上运行。

关键创新：最重要的创新点在于其与编码器无关的API设计，使得个性化过程更加灵活高效，显著降低了适应成本。

关键设计：在设计中，个性化头部作为默认的中间点，成本远低于传统的微调方法，同时在适当条件下能够恢复大部分微调带来的准确性提升。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，Nimbus Personalizer在五种经典EEG编码器和一个基础编码器上均表现良好，能够在18个细胞的四个运动想象数据集上实现高准确性，且在适应成本上显著低于传统微调方法。

🎯 应用场景

该研究的潜在应用领域包括医疗监测、脑机接口和人机交互等领域。Nimbus Personalizer的设计能够有效提升EEG信号处理的个性化能力，降低适应成本，具有广泛的实际价值和未来影响。

📄 摘要（原文）

Frozen EEG encoders proliferate; per-model fine-tune defaults do not scale. We present Nimbus Personalizer: one contract encode to Bayesian head to BrainState (optional affine mid-tier) that sits on heterogeneous frozen trunks without a new personalization stack per architecture. Thesis (systems): the contribution is the trunk-agnostic API - not LDA-on-embeddings as an ML novelty - so OEMs integrate once and swap trunks. Evidence: the same surface runs on five classical trunks EEGNet, Shallow, Deep, Conformer, ATCNet x four MI datasets (18 cells) and on a foundation encoder (REVE) under the same Personalizer. Where embedding capacity exists, the head is a cheap default mid-point versus warm-start fine-tune or PEFT, costing orders of magnitude less adaptation wall time while recovering much of the fine-tune accuracy gain; calibration-only-when-clean holds in 12/18 cells. Head gains are supporting evidence that the API is useful where capacity exists. Subject-level confidence intervals identify the clearest dataset and span zero elsewhere. All results are exploratory (subject-level bootstrap, no confirmatory tests); the decision logic for when to escalate adaptation is addressed in our companion work on the control layer.