Neues EEG-Foundation-Model DeeperBrain: Universelle BCI mit neurobiologischer Basis
Wissenschaftler haben ein neues EEG-Foundation-Model namens DeeperBrain vorgestellt, das die Grundlage für universelle Brain‑Computer Interfaces (BCIs) legen soll. Im Gegensatz zu bisherigen Modellen, die oft auf End‑to‑End‑Fine‑Tuning angewiesen sind, setzt DeeperBrain auf eine tiefgreifende Integration neurobiologischer Prinzipien in die Architektur und das Lernverfahren.
Die Architektur von DeeperBrain nutzt ein volumenbezogenes Kanal‑Encoding, das die räumliche Vermischung von Elektroden durch 3‑D‑Geometrie modelliert. Zusätzlich wird ein neurodynamik‑bewusstes Zeit‑Encoding eingesetzt, das langsame Anpassungen mit oszillierenden und exponentiellen Basen erfasst. Diese beiden Komponenten ermöglichen es dem Modell, die physikalischen und dynamischen Eigenschaften neuronaler Aktivität präziser abzubilden.
Für das Pre‑Training kombiniert DeeperBrain zwei Ziele: Masked EEG Reconstruction (MER), das die lokale Genauigkeit sicherstellt, und Neurodynamics Statistics Prediction (NSP), das die Übereinstimmung mit makroskopischen Hirnzuständen durch Vorhersage von Spektralleistung, funktioneller Konnektivität, Cross‑Frequency‑Coupling und dynamischer Komplexität erzwingt. Durch diese duale Strategie werden die erlernten Repräsentationen sowohl für spezifische Aufgaben als auch für allgemeine Anwendungen stark.
Umfangreiche Experimente zeigen, dass DeeperBrain bei End‑to‑End‑Fine‑Tuning die aktuelle Spitzenleistung erreicht oder übertrifft. Besonders bemerkenswert ist die herausragende Leistung unter einem strengen Frozen‑Probing‑Protokoll, das die wahre Universalität eines Modells testet. Diese Ergebnisse bestätigen, dass die Einbindung neurobiologischer Grundprinzipien die Lernrepräsentationen nachhaltig verbessert und DeeperBrain zu einem vielversprechenden Werkzeug für die nächste Generation von BCIs macht.