SPERA se entrenó con 80 000 horas de EEG de 29 048 personas y se evaluó en 9 tareas

Los autores del preprint arXiv:2610.10571 presentaron SPERA (Spherical Prior EEG Representation Architecture), un modelo fundacional para electroencefalografía. El preentrenamiento utilizó aproximadamente 80 000 horas de registros de 29 048 sujetos, procedentes de 106 datasets. En nueve tareas aplicadas (clínicas, cognitivas y de interfaces cerebro-computadora), el modelo obtuvo la mayor balanced accuracy media entre las soluciones comparadas. La decisión arquitectónica central: SPERA predice las representaciones latentes de la señal, no la señal en sí.

Dónde fallan los modelos de EEG actuales

La EEG registra la actividad eléctrica del cerebro de forma barata y no invasiva, pero construir modelos universales sobre ella es difícil. Los registros varían según el sujeto, el equipo y el montaje: algunos dispositivos tienen 19 electrodos y otros más de cien, colocados de maneras distintas. Un modelo habituado a un esquema rinde peor con otro.

El segundo problema está en la función objetivo. La mayoría de los modelos fundacionales de EEG actuales aprenden por reconstrucción: se oculta una parte de la señal y se les pide que la restauren. Pero el registro observado no contiene solo actividad neuronal, sino también componentes no neuronales, es decir, ruido y artefactos. Un modelo que intenta reproducir la señal con exactitud tiene que gastar capacidad también en ellos.

Cómo funciona SPERA

Los autores parten de JEPA (joint-embedding predictive architecture): la predicción se hace en el espacio latente, donde parte del ruido puede ignorarse. A este esquema se le añaden tres adaptaciones para EEG.

• Prior espacial basado en polinomios de Legendre. Está integrado en el attention y codifica la geometría de la disposición de los electrodos sobre el cuero cabelludo. Esto permite trabajar con distintos montajes en un solo modelo.
• Atención factorizada. El attention temporal y el espacial se alternan, y a intervalos regulares se intercalan bloques con atención completa.
• Regularizador espectral relacional. Alinea la estructura de similitud en el espacio latente con las representaciones espectrales de la señal, es decir, con los ritmos de frecuencia en los que se apoya buena parte del análisis de EEG.

Parámetros clave según el abstract:

• volumen de preentrenamiento: unas 80 000 horas de EEG;
• sujetos: 29 048;
• fuentes de datos: 106 datasets;
• evaluación: nueve tareas downstream, con la métrica balanced accuracy;
• además, se declaran eficiencia paramétrica con linear probing y robustez ante distintas condiciones de registro.

El último punto tiene importancia práctica. El linear probing congela el backbone y entrena solo una cabeza lineal sobre las representaciones. Si la calidad se mantiene, significa que los propios embeddings son informativos y no requieren un fine-tuning pesado para cada tarea.

Dónde puede resultar útil y qué vigilar

Por ahora es un preprint, y el abstract no incluye valores concretos de las métricas ni los nombres de los modelos con los que se comparó SPERA. La afirmación de liderazgo en precisión media debe verificarse en las tablas completas: el resultado medio en nueve tareas puede ocultar fallos en algunas de ellas. Conviene comprobar qué datasets entraron en el preentrenamiento y si se solapan con los de test, un punto débil habitual en los benchmarks de EEG.

Si las afirmaciones se confirman, se beneficiarán tres grupos. Los equipos clínicos podrán construir detectores con muestras etiquetadas pequeñas, mediante una cabeza lineal sobre un backbone ya preparado. Los desarrolladores de BCI podrán depender menos de un casco concreto y de su esquema de electrodos. Los investigadores de tareas cognitivas dispondrán de un único modelo base en lugar de un conjunto de arquitecturas especializadas.

La prueba práctica para cualquier equipo es esta: tomar sus propios datos con un montaje no estándar, congelar SPERA, entrenar un clasificador lineal y compararlo con su pipeline actual. Si la ventaja se mantiene, el enfoque de predicción latente con prior geométrico se consolidará como el camino estándar para la EEG.