PsyBrain 脑心前沿 / AI 与脑科学：顶刊文献解读专题 / A · 文献解读 / A012 · ICML26｜沿神经流形演化：JET生成物理可信的脑电

A012 ICML26｜沿神经流形演化：JET 生成物理可信的脑电

来源：公众号 PSY-Brain_Frontier ｜发布：2026-06-16 ｜原文链接

认知神经科学前沿文献分享

基本信息

Title: Let EEG Models Learn EEG

发表时间: 2026-05-20

发表期刊: ICML 2026

影响因子: 17.2

获取原文:

添加小助手: PSY-Brain-Frontier 即可获取PDF版本
点击页面底部“阅读原文”跳转论文网页

作者单位：纽约州立大学石溪分校（Stony Brook University）× 德州大学健康科学中心休斯顿分校（UTHealth Houston）

项目主页：

https://y-research-sbu.github.io/JET/

核心价值：JET 首次将脑电生成从「逐步去噪」的范式，转写为在神经流形上连续演化的动力学过程。仅凭一个标准 Transformer 搭配流匹配，便在多个异构 EEG 基准上把 TS-FID 压低逾四成。

研究背景

EEG 是非侵入式脑机接口最主流的信号，却始终受制于数据稀缺与隐私限制——即便 TUH EEG Corpus 这样最大的公开语料，规模也远小于文本、图像底座模型的训练集，使 EEG 基础模型难以复刻 NLP、CV 里成熟的 scaling law。生成式建模本是缓解瓶颈的自然办法，但现有 EEG 生成大多直接搬用 GAN 的隐式密度估计或扩散模型的迭代去噪，与脑电自身性质并不对齐。作者把症结归为一句话：生成范式的几何结构，和脑电的连续动力学对不上。

这种失配体现在三处：谱结构上，神经信号是 1/f 型功率谱、高频瞬态能量低但信息密度高，只盯全局能量会把 beta、gamma 细节洗掉；时间动态上，大脑功能连接在亚秒级切换，离散去噪难以刻画这种连续流动；幅度分布上，真实 EEG 重尾、非高斯，高斯先验容易塌缩到平均行为。三条错位叠加，导致基线即便视觉指标尚可，下游分类器也吃不到红利——这正是表 1 中基线 ΔAcc 约等于 0 的根本原因。

图 1：三类生成范式在不同流形上的表现对照。最右列的流匹配在螺旋、8-高斯与双月三种流形上均最逼近真实分布；相比之下，GAN 常丢失结构、扩散模型则边界模糊。

作者由此立场出发：大脑活动在高维状态空间里平滑演化，EEG 生成就该用连续动力学、而非一串离散步骤来描述。这自然指向条件流匹配（Conditional Flow Matching, CFM）——它学习一个随时间变化的向量场，把先验分布平滑运输到数据分布，给出的是沿流形形变的几何路径，与神经动力学的连续性在数学结构上同构。

方法框架：JET

JET 的思路并不复杂：用一个标准 Transformer 学连续向量场，再配三条有原则的约束（principled constraints）把流锚定到脑电流形上，全程不引入手工连接图或领域特定表征。设计哲学是「少即是多」——尽量删去为脑电手搓的归纳偏置，让标准 Transformer 在数据与约束的共同引导下端到端学出神经状态空间。框架本身架构无关，可直接挂在 DiT、JiT 等 Transformer 骨干上，未来 Transformer 在 EEG 上继续 scaling，JET 也能一并受益。

图 2：JET 框架概览。模型以病理状态（例如癫痫发作）为条件，通过流匹配学习一条把高斯噪声搬运至真实脑电分布的连续向量场 v(xt, t)，再由结构保持约束加以正则，最终输出多通道 EEG。

形式化地说，从标准高斯噪声 x0 出发，学一个以病理类别 c 为条件、随时间变化的向量场 v(xt, t, c)，沿常微分方程把 x0 演化成真实脑电 x1；训练目标是回归线性插值路径的速度场 x1−x0，等价于学会从噪声指向数据的最优运输方向。

关键设计有四：其一，原始 EEG tokenization 沿时间切成不重叠 patch 并线性投影，但保留通道身份、不过早展平空间维度，因为每个电极对应具体头皮位置；其二，标准 Transformer 骨干，由时间步 t 与类别 c 经 AdaLN 注入条件，自注意力带来全局感受野，连接结构完全由数据涌现，无需 GNN 先验图；其三，自适应类别均衡采样，让采样概率与类别样本数的 α 次方成反比，逼骨干去学被低估的罕见病理模式；其四，三条约束。

三条约束都从 EEG 统计性质推出、并非随手加的正则：① 基于拉普拉斯先验的鲁棒重建（Lrecon）取 L1 形式，压住冲激式非高斯伪迹、又保住尖锐神经事件，替代对离群点过敏的 L2；② 统计一致性（Lcons）对齐逐通道时间均值与标准差，把流锚定到相同统计流形、防止长序列幅度漂移；③ 时空结构（Lgeo）用时间总变差压住虚假高频抖动、保持谱平滑，再以皮尔逊相关项对齐波形形态。

核心发现

发现一：三大基准全面领先

在 TUAB、TUEV、TUSZ 三个合计逾万次临床会话的大规模异构基准上，JET 全面领先：TS-FID 平均下降逾四成（TUAB 342.91→188.27，约 −45%；TUEV 415.82→235.86，约 −43%；TUSZ 300.47→151.27，约 −50%）；Silhouette 逼近 1（0.983–0.995，基线仅 0.66–0.89），无模式塌缩；ΔAcc 一致为正（+0.017–+0.032），而基线不超过 0——合成数据这一次真正反哺了下游，这恰是以往生成方法普遍做不到的。

表 1：三大基准（TUAB / TUEV / TUSZ）上的定量结果对比，最优值以加粗标出。

发现二：频谱保真，谱偏置被显著抑制

JET 准确刻画 1/f 型谱标度与显著的 alpha 频段峰值：delta（0–5 Hz）生成谱与真实谱几乎重合；alpha（8–13 Hz）节律峰被复现、而非塌缩成平滑曲线，说明学到的是具体振荡而非边缘统计；15 Hz 以上（beta、gamma）有轻微衰减，反映的是对非结构性高频噪声（肌电、传感器噪声）的选择性抑制，与人工筛除肌电伪迹同理，而非整条谱崩掉。

图 3：频谱结构评估。JET 既精确还原了 1/f 型的谱标度，也再现了 alpha 频段的明显峰值，纠正了以往方法在高频段的谱偏置。

发现三：时间稳定，非平稳但不漂移

生成信号的中位数始终围绕真实信号居中、无基线漂移，分位带与真实数据对齐，既无方差爆炸也无塌缩；将通道聚合后的 RMS 包络分段统计、再与真实数据做 1-Wasserstein 比较，具体结果见表 2。

图 4：时间动态评估。JET 在再现非平稳能量起伏的同时维持了稳定的幅度统计，既不发生基线漂移、也不出现方差塌缩。

发现四：幅度重尾被准确还原

对数密度直方图显示，生成信号在中心峰与重尾衰减两处都与真实分布对齐——JET 既未像 GAN 那样过度集中于均值，也未像扩散模型把高斯先验硬印上去。临床意义直接：尖波、慢波这类罕见但关键的高幅事件不会被简单平均掉。

图 5：幅度分布分析。对数密度直方图表明，JET 忠实重建了真实脑电那种非高斯、重尾的幅度分布。

发现五：群体多样性，方差包络对齐

生成与真实的频谱方差包络（中位数 ± IQR）在三个数据集上都大幅重叠，保留了被试间、状态间的真实多样性；5 Hz 以下低频段的置信区间宽度与真实高度一致，说明 delta 慢波的自然随机性被正确学到；alpha 及以上略窄，是对极端频谱伪迹的保守抑制，与图 3 高频选择性衰减相呼应。这是模型规避模式塌缩最直接的证据：JET 复现的是一个真实人群的脑电，而非一段平均脑电。
图10

图 6：群体多样性评估。JET 生成数据与真实数据的频谱方差包络（中位数 ± IQR）高度重合，保住了被试之间与状态之间的多样性。

发现六：消融——噪声与约束缺一不可

把高斯噪声换成确定性零噪声，TS-FID 从 188 飙到 1615 以上、灾难性退化——零噪声相当于要把单个奇点扩张成多峰高维分布，是病态的一对多映射，而高斯提供的高熵概率空间才能让概率流平滑变形。三条约束亦缺一不可：只用重建项最差，逐个加入统计、TV、相关项后 TS-FID 单调下降，三者分管能量、平滑度与形态，互补且不可替代。计算效率上，生成 32 条 10 秒样本 JET 用 4.78 秒（Vanilla Diffusion 7.01 秒、EEG-GAN 4.12 秒），拿下最佳保真度-延迟权衡。
图11

表 2：结构保持约束的消融实验（TS-FID 越低越优，✓ 代表该项启用）。

省流总结

JET 把 EEG 生成从主流的离散去噪重新表述为沿神经流形的连续动力学，让标准 Transformer 第一次在 EEG 生成上跑通一条架构简单、物理可信、下游确有用的路径：靠流匹配、三条有原则的约束与自适应类别均衡采样，在三个大规模异构 BCI 基准上做到 TS-FID 平均降逾四成、Silhouette 逼近满分且无塌缩、ΔAcc 一致为正、频谱保真、时间不漂移、重尾对齐，效率亦最优。作者进一步指出，这种连续动力学的视角不止适用于 EEG——任何具备重尾、非平稳、结构化频谱性质的生理信号，都可能从类似改写中获益。在数据稀缺与隐私约束长期主导 BCI 研究的当下，JET 为「任务级 EEG 基础模型 + 高保真合成增强」提供了一个即插即用、可扩展、又有原则的方案。

项目主页：https://y-research-sbu.github.io/JET/　｜　仅用于学术分享，若侵权请留言。

暑期提升

图12