Neues KI-Modell generiert MEG-Signale über Minuten hinweg

Ein internationales Forschungsteam hat ein neues, autoregressives Modell vorgestellt, das Magnetoenzephalographie‑(MEG) Daten über mehrere Minuten hinweg vorhersagen kann. Das System nutzt einen langen Kontext und arbeitet mit mehr als 500 Stunden an Aufnahmen aus drei der größten MEG‑Datensätze.

Durch einen angepassten SEANet‑Stil‑Vector‑Quantizer werden die multikanaligen MEG‑Signale in einen flachen Token‑Stream umgewandelt. Auf dieser Basis wird ein Qwen2.5‑VL‑Backbone von Grund auf trainiert, um den nächsten „Brain‑Token“ vorherzusagen und daraus fortlaufende Minuten MEG‑Daten zu generieren – alles aus nur einer Minute Kontext.

Zur Überprüfung der Langzeitgenerierung wurden drei auf die Aufgabe abgestimmte Tests entwickelt: (i) Stabilität innerhalb des Manifolds, gemessen an der Drift der generierten Daten im Vergleich zu echten Zeitfenstern; (ii) bedingte Spezifität, die die Genauigkeit des Kontexts gegenüber zufälligen Prompt‑Wechseln bewertet; und (iii) ein neurophysiologisch fundiertes Metrikenset. Das Modell wurde auf den Datensätzen CamCAN und Omega trainiert und die Analysen wurden auf dem hold‑out‑Datensatz MOUS durchgeführt, um die Generalisierung über verschiedene Scanner und Datensätze hinweg zu demonstrieren.

Die Ergebnisse zeigen, dass die generierten Signale über lange Rollouts hinweg stabil bleiben und der korrekten Fortsetzung deutlich näher kommen als bei kontrollierten Prompt‑Wechseln. Der komplette Code ist frei verfügbar unter https://github.com/ricsinaruto/brain-gen.