iMINDBench: iEEG Multi-Institution Neural Decoding Benchmark

📄 arXiv: 2609.18104v1 📥 PDF

作者: Geeling Chau, Saba Hashemi, Yonghyeon Gwon, Eshani Patel, Jan DeWitt, Christopher Wang, Andrii Zahorodnii, Sabera J Talukder, Danny Dongyeop Han, Chun Kee Chung, Maryam M Shanechi, Yisong Yue

分类: cs.LG

发布日期: 2026-09-16

备注: 26 pages, 13 figures

💡 一句话要点

提出iMINDBench以解决iEEG解码基准评估问题

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

关键词: 脑内电生理 神经解码 基准评估 多任务学习 数据集标准化

📋 核心要点

  1. 现有的iEEG解码方法面临数据集特定性和预处理选择影响性能的挑战，难以实现跨任务的泛化。
  2. 本文提出iMINDBench基准，通过共享的十五个解码任务和标准化的预处理轨道，提升模型评估的一致性和可靠性。
  3. 实验结果表明，评估的预训练系统在各自的预处理轨道中普遍优于基线，而强谱基线在不同机构的数据集上仍具竞争力。

📝 摘要（中文）

脑内电生理（iEEG）广泛用于直接记录人脑内部的电活动，是神经解码的理想方式。然而，iEEG解码的进展，尤其是通用基础模型的开发，面临可靠测量的困难。现有数据集多为特定任务或机构，限制了跨任务和记录环境的泛化能力，同时预处理选择对性能的影响也使得模型改进难以与预处理效果区分。因此，本文提出了iMINDBench，一个iEEG多机构神经解码基准，评估模型在三个自然电影观看数据集上的十五个解码任务。该基准还定义了标准化的预处理轨道和固定的评估分割，以支持一致的模型比较。

🔬 方法详解

问题定义：本文旨在解决iEEG解码领域中，现有方法因数据集特定性和预处理选择而导致的性能评估不一致性问题。现有方法难以可靠地衡量模型在不同任务和环境下的泛化能力。

核心思路：提出iMINDBench基准，通过定义标准化的预处理轨道和固定的评估分割，确保模型在多个任务上的一致性比较，从而推动iEEG解码模型的进步。

技术框架：iMINDBench包括三个主要模块：1) 共享的十五个解码任务，2) 三个自然电影观看数据集，3) 标准化的预处理轨道和评估分割，确保不同模型的公平比较。

关键创新：iMINDBench的创新在于其跨机构的多任务评估框架，解决了以往研究中因数据集和预处理选择导致的评估偏差问题，使得不同模型的性能比较更加可靠。

关键设计：在设计中，定义了固定的预处理流程，确保每个模型在相同的条件下进行评估，并通过对比不同机构的数据集，验证模型的泛化能力。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，评估的预训练系统在各自的预处理轨道中普遍优于基线，而强谱基线在不同机构的数据集上仍保持竞争力。此外，增加多达25倍的监督数据对模型性能的提升有限，强调了改进iEEG模型的必要性。

🎯 应用场景

该研究的潜在应用领域包括神经科学研究、脑机接口技术和临床神经解码等。通过提供一致的评估基准，iMINDBench能够促进不同研究机构之间的合作与交流，推动iEEG解码技术的进步，最终可能改善神经疾病的诊断与治疗。

📄 摘要（原文）

Intracranial electroencephalography (iEEG) is widely used to record electrical activity directly from electrodes inside the human brain, making it an attractive modality for neural decoding. However, progress in iEEG decoding, especially toward general-purpose foundation models, remains difficult to measure reliably: datasets are task- or institution-specific, limiting evidence of generalization across tasks and recording environments, and preprocessing choices can strongly influence performance, making model improvements difficult to distinguish from preprocessing gains. Thus, we introduce iMINDBench, an iEEG Multi-Institution Neural Decoding Benchmark that evaluates models on a shared suite of fifteen decoding tasks across three naturalistic movie-watching datasets. The benchmark additionally defines standardized preprocessing tracks and fixed evaluation splits to support consistent model comparisons. Using iMINDBench, we find that the evaluated pretrained systems generally outperform baselines within their respective preprocessing tracks, while strong spectral baselines remain competitive across institutional datasets. In our scaling study, adding up to 25 times more supervised data from other subjects or institutions yields only small or task-dependent gains over within-session training. Together, these findings highlight the need for iEEG models that improve on strong preprocessing baselines and make more effective use of data across subjects and institutions. Project website: https://imindbench.github.io/