SPERA：引入球面先验的EEG基础模型，重塑脑电表征学习

脑电图（EEG）作为一种非侵入式的神经活动监测手段，长期以来在临床诊断、认知研究与脑机接口（BCI）中扮演关键角色。但要构建一个通用的EEG模型，始终面临一道难关：不同受试者、不同采集设备、不同电极排布之间的巨大异质性，让模型很难跨场景迁移。arXiv最新发布的论文提出的SPERA模型，试图从架构设计层面系统地解决这一问题。

现有EEG基础模型的局限

目前主流的EEG基础模型大多依赖基于重建的预训练目标，即让模型学习还原观测到的原始信号。这种思路看似直接，却存在一个根本性缺陷：原始EEG信号中既包含真正有价值的神经成分，也混杂了大量非神经成分（如肌电、眼动、工频干扰等伪迹）。当模型被要求逐点重建原始波形时，它不得不花费大量表征能力去拟合这些与神经活动无关的噪声，反而稀释了对真实脑活动模式的学习。

此外，EEG的采集本质上发生在球面（头皮）之上，电极几何排布因设备而异。传统方法往往将电极简单处理为一维序列或固定网格，忽略了电极在三维球面上的真实空间关系，这进一步限制了模型跨设备、跨蒙太奇（montage）的泛化能力。

SPERA的核心设计思路

SPERA（Spherical Prior EEG Representation Architecture）的名字已经点明了它的两大特征：球面先验与表征架构。它放弃了在观测信号上做重建，转而采用联合嵌入预测架构（JEPA），在潜空间中进行预测。

这一转变意义重大。JEPA范式近年来在视觉自监督学习中展现出强大能力，其核心在于：模型不去逐像素（或逐采样点）地重建输入，而是预测目标在抽象潜空间中的表征。对EEG而言，这意味着模型可以绕开对伪迹的死板拟合，直接聚焦于神经信号的语义结构，从而学到更干净、更具迁移性的表征。

勒让德多项式空间先验

SPERA的一大亮点是引入了基于勒让德多项式（Legendre polynomial）的空间先验，并将其融入注意力机制。头皮电极分布在近似球面的表面上，而勒让德多项式正是球面函数展开的天然基底。通过这一先验，模型能够显式编码不同头皮电极几何排布之间的关系，使得同一套模型可以适配各种电极蒙太奇，而不必为每种设备单独设计输入格式。

勒让德多项式（Legendre polynomials）是定义在区间 [-1, 1] 上的一组正交多项式，当推广至球面坐标时，衍生出球谐函数（spherical harmonics），构成球面上任意连续函数的完备正交基底。在EEG领域，头皮可被近似视作一个球面，不同电极的相对关系本质上是球面上的几何距离与方向问题。传统的笛卡尔坐标或一维序列索引无法准确描述这种球面拓扑，导致跨蒙太奇迁移时空间关系信息严重失真。将勒让德多项式作为空间编码基底，相当于为注意力矩阵注入了一种"球面感知的位置偏置"，使模型对任意电极配置（10-20系统、64导、256导等）都能以统一的几何语言进行描述，而无需为每种布局单独学习空间关系。

时空分解注意力与频谱正则化

为了让架构更贴合EEG数据的特性，SPERA还设计了两个关键组件：

一是分解式的时间与空间注意力，并周期性地穿插全注意力模块。EEG同时具有时间维度（信号随时间演化）和空间维度（多电极空间分布），将二者分解处理可以降低计算复杂度，而定期的全注意力则保证跨维度信息的充分交互。

二是关系型频谱正则器（relational spectral regularizer）。EEG分析高度依赖频域信息（如alpha、beta等频段）。该正则器将潜空间中的相似性结构与频谱视图对齐，让模型在学习表征时保留对频率特征的敏感度——这正是"geometry- and frequency-aware"（几何感知与频率感知）这一副标题的由来。

联合嵌入预测架构（JEPA，Joint-Embedding Predictive Architecture） 最早由Yann LeCun团队系统化提出，代表性实现包括用于视觉的I-JEPA和Video JEPA。与生成式自监督方法（如MAE掩码自编码器）不同，JEPA让一个"上下文编码器"处理可见部分，再用"预测器"在潜空间中预测被遮挡区域的目标编码器输出，而非在像素层面重建。由于目标是高维抽象表征而非原始像素，模型被迫捕捉语义层级的结构，而不是死记硬背低层纹理或噪声。对EEG来说，这意味着肌电、眼动等非神经伪迹虽然在原始信号中占据大量能量，却难以在潜空间中形成稳定的可预测结构，从而被自然地"淡化"出学习目标之外。

大规模预训练与下游表现

SPERA的训练规模相当可观：约80,000小时的EEG数据，涵盖29,048名受试者、横跨106个数据集。如此多样化的数据来源，本身就是对模型泛化能力的严苛考验，也让"通用骨干网络"的定位有了底气。

在九项下游任务上的评测结果显示，SPERA取得了最高的平均平衡准确率（balanced accuracy）。这九项任务跨越临床、认知与脑机接口三大应用领域，覆盖面广泛，说明模型并非只在单一场景占优，而是具备跨领域的稳定表现。

论文还强调了两点实用价值：其一是参数效率，在线性探测（linear probing）设置下，SPERA仅需训练少量下游参数即可获得优异表现，意味着实际部署成本较低；其二是鲁棒性，在不同录制条件下表现稳定，这对于真实世界中千差万别的采集环境尤为重要。

平衡准确率（balanced accuracy） 是分类评估中针对类别不平衡问题的修正指标，计算方式为各类别召回率的算术平均，而非整体正确率。EEG下游任务（如癫痫检测、睡眠分期、运动想象识别）普遍存在严重的类别不平衡，例如癫痫发作样本可能仅占总录制时长的不足1%。使用普通准确率会导致模型通过"偏向多数类"就能获得虚高分数，平衡准确率则强制要求模型在每个类别上都有实质性的识别能力，是该领域更具说服力的评价标准。SPERA在九项任务的平均平衡准确率上均优于基线，说明其性能提升并非源于对多数类的过度拟合，而是具有实际的区分能力。

对EEG领域的意义

SPERA的价值不只在于刷新了某几个基准的分数，更在于它示范了一条区别于主流重建范式的技术路线。将JEPA的潜空间预测思想、球面几何先验与频谱感知正则化结合起来，为处理EEG这类高度异质、充满伪迹的生理信号提供了新的方法论参考。

如果其跨设备、跨任务的泛化能力能在更广泛的独立评测中得到验证，SPERA有望成为EEG分析的通用预训练骨干——就像视觉和语言领域的基础模型那样，让研究者和临床工作者无需从零训练，便可快速适配各自的具体任务。

（本文基于arXiv预印本论文信息整理，相关结论尚待同行评审与更多复现验证。）