SPERA обучили на 80 000 часов EEG от 29 048 человек и проверили на 9 задачах

Команда авторов препринта arXiv:2610.10571 представила SPERA (Spherical Prior EEG Representation Architecture), фундаментальную модель для электроэнцефалографии. Предобучение шло на примерно 80 000 часов записей от 29 048 испытуемых из 106 датасетов. На девяти прикладных задачах (клинических, когнитивных и для интерфейсов мозг-компьютер) модель показала самую высокую среднюю сбалансированную точность среди сравниваемых решений. Главное архитектурное решение: SPERA предсказывает скрытые представления сигнала, а не сам сигнал.

Где ломаются существующие EEG-модели

ЭЭГ дёшево и неинвазивно фиксирует электрическую активность мозга, но универсальные модели на ней строить тяжело. Записи различаются по испытуемым, по оборудованию и по монтажу: у одних устройств 19 электродов, у других больше сотни, и расставлены они по-разному. Модель, привыкшая к одной схеме, на другой работает хуже.

Вторая проблема в целевой функции. Большинство текущих EEG-фундаментальных моделей учатся на реконструкции: закрыли часть сигнала и попросили восстановить. Но наблюдаемая запись содержит не только нейронную активность, но и ненейронные компоненты, то есть шум и артефакты. Модель, которая старается точно воспроизвести сигнал, вынуждена тратить ёмкость и на них.

Как устроена SPERA

Авторы берут JEPA (joint-embedding predictive architecture): предсказание идёт в латентном пространстве, где часть шума можно не учитывать. К этой схеме добавлены три адаптации под ЭЭГ.

• Пространственный prior на полиномах Лежандра. Он встроен в attention и кодирует геометрию расположения электродов на скальпе. Это позволяет работать с разными монтажами в одной модели.
• Факторизованное внимание. Временной и пространственный attention чередуются, а через равные промежутки идут блоки с полным вниманием.
• Реляционный спектральный регуляризатор. Он согласует структуру сходства в латентном пространстве со спектральными представлениями сигнала, то есть с частотными ритмами, на которых строится значительная часть анализа ЭЭГ.

Ключевые параметры из аннотации:

• объём предобучения: около 80 000 часов ЭЭГ;
• испытуемые: 29 048;
• источники данных: 106 датасетов;
• оценка: девять downstream-задач, метрика balanced accuracy;
• дополнительно заявлены параметрическая эффективность при linear probing и устойчивость к разным условиям записи.

Последний пункт важен практически. Linear probing замораживает backbone и обучает только линейную голову поверх представлений. Если качество держится, значит, сами эмбеддинги содержательны и не требуют тяжёлого дообучения под каждую задачу.

Где это пригодится и на что смотреть

Пока это препринт, и в аннотации нет конкретных значений метрик и названий моделей, с которыми сравнивали SPERA. Заявление о лидерстве по средней точности нужно проверять по полным таблицам: средний результат по девяти задачам может скрывать провалы на отдельных. Стоит смотреть, какие датасеты вошли в предобучение и пересекаются ли они с тестовыми, это частая слабая точка в бенчмарках EEG.

Если заявления подтвердятся, выигрывают три группы. Клинические команды получают возможность строить детекторы на малых размеченных выборках через линейную голову поверх готового backbone. Разработчики BCI смогут меньше зависеть от конкретного шлема и схемы электродов. Исследователи когнитивных задач получат единую базовую модель вместо набора узких архитектур.

Практический тест для любой команды такой: взять свои данные с нестандартным монтажом, заморозить SPERA, обучить линейный классификатор и сравнить с текущим пайплайном. Если выигрыш сохранится, подход с латентным предсказанием и геометрическим prior закрепится как стандартный путь для ЭЭГ.