EEG大模型泛化困难：从瓶颈到突破的十维探索

摘要

EEG大模型近年来在神经解码领域取得了显著进展，但跨被试、跨设备、跨任务的泛化困难仍然是制约其走向实际应用的核心瓶颈。本文系统梳理了EEG大模型泛化困难的根源——个体解剖差异、信号非平稳性、模态异构性与心物鸿沟——并提出了十个具有理论深度和工程潜力的突破方向。这些方向涵盖跨物种预训练、多模态物理融合（fMRI/fUS）、主观量表作为语义锚点、心物拓扑断裂的哲学边界、个体差分基线变换、强制外部扰动校准、有向信息流对齐、元学习动态适配、生理伪迹内源标尺，以及昼夜节律时间轴建模。本文逐一考察各方向的现有研究基础与首创性，旨在为EEG基础模型的泛化研究提供一个系统性的理论框架和路线图。

关键词：EEG大模型；泛化困难；跨被试泛化；基础模型；多模态融合；个体差异

一、引言：泛化困难的本质

EEG（脑电图）作为非侵入性脑信号采集技术，凭借其毫秒级时间分辨率、便携性和低成本优势，已成为脑机接口（BCI）和神经科学研究的主流工具。然而，EEG信号固有的低信噪比、非平稳性和显著的个体间变异性，使得构建具有强跨被试泛化能力的解码模型成为该领域的核心挑战。

传统深度学习方法（CNN、RNN、Transformer等）虽能自动学习层次化表征，但其效果高度依赖大量高质量标注数据——而EEG数据因采集成本高、个体差异大，标注数据尤为稀缺。近年来，EEG基础模型（Foundation Models）的兴起试图通过大规模自监督预训练来缓解这一问题。然而，一项针对12个开源EEG基础模型的基准评测表明：线性探测往往不足，从头训练的专用模型在许多任务上仍具竞争力，且更大的基础模型在当前数据条件下并不必然带来更好的泛化性能。现有模型尚未兑现“开箱即用”的统一EEG模型的承诺。

泛化困难何以如此顽固？其根源可从四个层面理解：

1. 解剖结构差异：颅骨厚度（3.6-9.7mm）、脑沟回折叠模式的个体差异导致同一电极位置在不同个体上捕获的信号源和衰减特性截然不同。
2. 信号非平稳性：静息态EEG绝非“零状态”，而是默认模式网络活跃、微状态以每秒4-6次切换的“内在波涛”。
3. 模态异构性：不同采集设备、电极布局、采样率导致数据格式不统一，形成“数据巴别塔”。
4. 心物鸿沟：EEG作为物理信号与主观体验之间不存在完美的数学映射，这从根本上限制了纯数据驱动方法的理论上限。

本文基于上述分析框架，提出十个突破泛化瓶颈的创新方向——前五个源自作者对EEG泛化问题的系统性思考，后五个是对前者的延伸与拓展——并逐一考察其研究现状与首创性。

二、灵感一：跨物种预训练——动物EEG作为辅助数据源

2.1 核心思想

人类EEG数据受限于采集成本、伦理约束和个体差异，数据规模和多样性远不能满足大模型训练需求。引入猴子、犬类、小鼠等动物的EEG数据，可显著扩大训练集的“神经状态空间”覆盖范围，强制模型学习跨物种共有的神经振荡模式，从而提升对人类数据的泛化能力。

2.2 研究现状与首创性判断

该方向已有重要探索，并非首创。

• SpecMoE（2026）提出了一种基于谱混合专家（Spectral Mixture-of-Experts）的跨物种EEG解码基础模型，在睡眠分期、情绪识别、运动想象分类、异常信号检测和药物效应预测等多个任务上达到SOTA，在人类和小鼠EEG数据集上均展现出强跨物种和跨被试泛化能力。

• 犬类EEG辅助人类癫痫检测（National Science Review, 2025）首次证明犬类EEG可辅助人类癫痫检测，提出了基于多空间对齐（Multi-Space Alignment）的跨物种迁移学习框架，揭示了EEG的跨物种可迁移性，为增加脑电解码大模型的训练数据量提供了新思路。该研究指出，尽管犬类（颅内电极）与人类（头皮电极）在电极配置和信号特性上存在显著差异，但时域、熵域和谱域均存在可迁移的癫痫特征。

• 跨发育阶段迁移（2026）实现了首个成人-to-胎儿和人类-to-绵羊的跨物种迁移学习框架。

• 人类睡眠数据预训练提升小鼠睡眠分期的研究表明，人类睡眠EEG预训练可同时提升Transformer模型在小鼠睡眠分类上的效率和准确率。

独创性评估：跨物种EEG迁移已有实证研究，但将其系统性地纳入EEG大模型预训练框架（而非仅作为迁移学习的特例）仍属前沿。目前尚无研究系统论证“跨物种预训练如何系统性提升人类EEG大模型泛化”的理论机制。

2.3 代表性文献

• Darankoum, D., Habermacher, C., Volle, J., & Grudinin, S. (2026). SpecMoE: Spectral Mixture-of-Experts Foundation Model for Cross-Species EEG Decoding. arXiv, 2603.16739.
• Wang et al. (2025). Canine EEG Helps Human: Cross-Species and Cross-Modality Epileptic Seizure Detection via Multi-Space Alignment. National Science Review, nwaf086.

三、灵感二：多模态物理融合——fUS/fMRI作为EEG的空间分辨率“补全”

3.1 核心思想

EEG的优势在于毫秒级时间分辨率，但空间分辨率仅达厘米级。fUS（功能超声成像）提供50-500微米的高空间分辨率，fMRI提供毫米级全脑覆盖——但两者的时间分辨率远低于EEG。从神经流形视角看，大脑语义“镶嵌在随时间快速弯曲、维度可达数十甚至上百的联合流形之中”，单模态EEG“仅相当于对该高维流形做一次斜向投影，会造成不可逆的语义信息损失”。通过EEG与fUS/fMRI的联合建模，可在更高维的嵌入空间中“重新展开被压缩的语义流形”。

3.2 研究现状与首创性判断

该方向已有系统研究，并非首创。

• EEG-to-fMRI预测（Frontiers in Systems Biology, 2025）系统比较了传统机器学习/深度学习模型与预训练大语言模型在EEG-fMRI数据集上的预测能力，证明从EEG预测fMRI活动在哈佛-牛津皮层图谱定义的脑区上是可行的，两种策略均取得 promising 结果。研究还发现，通过Chain-of-Thought方法，LLM可先从EEG数据推断认知功能，再据此预测fMRI数据。

• Brain-OF（2026）提出了首个同时以fMRI、EEG和MEG进行联合预训练的全功能脑基础模型，通过“任意分辨率神经信号采样器”将异构信号投影到共享语义空间，并在约40个数据集上完成预训练。

• UltraVAR（中科院深圳先进院，IEEE JBHI, 2025）是首个专门为人脑fUS设计的生成式数据增强框架，利用视觉自回归生成技术实现高质量人脑fUS图像重建，在大脑状态识别任务中将解码准确率从80.0%提升至88.9%。

• 多模态融合已被公认为关键路径：NEUBCI课题组指出，“多模态脑信号融合（如联合EEG/MEG与fMRI）、构建大规模共享数据集与预训练模型”是推动非侵入式BCI从概念验证迈向现实应用的关键。

独创性评估：多模态融合（EEG+fMRI/MEG）已有成熟研究，EEG+fUS尚处起步阶段。将fUS明确作为EEG大模型泛化的“物理校准信号”（而非仅作为数据增强）——即利用fUS的高维空间信息来校正EEG因个体颅骨差异导致的空间畸变——这一具体视角在现有文献中尚不充分。

3.3 代表性文献

• Guo, H., Abdellatif, F., Bi, H., et al. (2026). Brain-OF: An Omnifunctional Foundation Model for fMRI, EEG and MEG. arXiv, 2602.23410.
• Ouroboros Neurotechnologies. (2025). Neural networks and foundation models: two strategies for EEG-to-fMRI prediction. Frontiers in Systems Biology, 1715692.
• Chen, X., Li, Z., Wang, S., et al. (2025). UltraVAR: A Generative AI Framework for High-Fidelity Reconstruction of Human Brain Functional Ultrasound Images. IEEE Journal of Biomedical and Health Informatics.

四、灵感三：主观量表作为多模态的“语义维度”

4.1 核心思想

量表（如情绪评分、疲劳自评、疼痛量表）虽非物理信号，却是“大脑给自身写下的日志”——它通过内省和语言输出，将高度并行的神经活动坍缩为离散的、可量化的符号。将量表作为EEG大模型的多模态输入之一（而非仅作为验证标签），可为模型提供语义锚点：告诉模型“虽然EEG每毫秒都在波动，但这5分钟内的主观焦虑均值是7分”。这一语义维度能有效消除个体解剖差异带来的噪声，并提供跨文化统一的测量标尺。

4.2 研究现状与首创性判断

该方向仅有零星探索，具有较高的首创性。

• 情绪识别领域已有将EEG特征与量表评分结合的工作，但大多将量表视为验证标签而非训练模态。
• 将量表作为多模态输入的一个独立维度（与EEG时序信号并行输入大模型）——而非仅作为回归/分类目标——这一思路在现有文献中极为罕见。
• 最新的EEG基础模型综述（2025）虽涵盖了EEG-text、EEG-vision、EEG-audio等多模态框架，但未将量表/主观报告列为独立的输入模态。

独创性评估：高度首创。将主观量表作为与EEG时序信号“并联”的多模态输入维度，而非“串联”的监督标签，这一范式转换在现有文献中尚无系统论述。

4.3 代表性文献

• Li, H., Chen, Y., Wang, Y., et al. (2025). Foundation Models for Cross-Domain EEG Analysis Application: A Survey. arXiv, 2508.15716.

五、灵感四：心物拓扑断裂——EEG大模型的理论上限

5.1 核心思想

如果“主观”指的是现象意识（qualia，即“痛感”“红色”等第一人称体验），那么它与EEG（第三人称物理信号）之间存在本质性的拓扑断裂：EEG测量的是群体神经元电偶极子的宏观向量和（类似于温度），而主观体验依赖于微观神经集群的精确放电时序和突触精细结构。这种断裂源于维度的不可逆坍缩（EEG内在维度仅10-20维，而主观状态空间高达数百万维）和物理范畴与现象范畴的异质性。这意味着：无论EEG大模型如何扩展，它永远无法通过纯粹的数学外推来“读取”人类主观意识的全部内容——它能逼近的是“意识的神经相关性”，而非“意识本身”。

5.2 研究现状与首创性判断

该方向在哲学和理论神经科学中有长期讨论，但在EEG大模型文献中鲜有涉及。

• “意识的困难问题”（David Chalmers）和“解释鸿沟”是心灵哲学的经典议题。
• 拓扑学视角下的意识研究已有初步探索，如“意识动力学中的拓扑对称性破缺”和“神经解离状态中的存在论断裂”。
• 神经流形理论指出，EEG是对高维神经流形的“斜向投影”——这一表述已隐含了拓扑断裂的思想。

独创性评估：高度首创。将“心物拓扑断裂”作为EEG大模型泛化的理论上限进行系统论述——即明确论证“无论模型多大、数据多少，纯数据驱动方法永远无法跨越这一断裂”——在现有EEG基础模型文献中尚无先例。

5.3 代表性文献

• Bouzid, B. (2026). The Existential Rupture in Neuro-Dissociative States: An Applied Study on the (B-Bouzid) Model. Zenodo.
• (2026). Topological Symmetry Breaking in Consciousness Dynamics: From Human Geniuses to AI Systems. Zenodo.

六、灵感五：个体差分基线变换——f(EEG₁, EEG₀)作为研究单元

6.1 核心思想

传统的EEG建模以绝对电压值 EEG₁ 为输入，试图学习 y = g(EEG₁)。但由于颅骨厚度、脑沟回等个体解剖差异对EEG信号施加的是乘法增益，不同个体的相同电压值代表完全不同的神经活动。改用 f(EEG₁, EEG₀)——即任务态相对于静息态的变化量、差异或距离——作为模型输入，可在差分过程中大幅抵消个体解剖带来的“物理滤镜”效应，将泛化问题从“绝对回归”转化为“相对变换”。静息态EEG虽“内在波涛汹涌”，但任务态前后的短时窗内，共同的内在波动可在差分中被滤除，留下的纯粹是任务诱发的那一朵“浪花”。

6.2 研究现状与首创性判断

该方向已有明确研究基础，但视角可进一步深化。

• 基线校正深度神经网络（IEEE JBHI, 2023）明确提出了利用基线EEG信号构建被试不变深度神经网络的方法。该研究将EEG深度特征分解为被试不变特征和被试变异特征（受解剖/生理特性污染），通过基线校正模块（BCM）利用基线EEG中的个体信息移除被试变异成分。仅需1分钟的新被试基线EEG即可消除测试数据中的被试变异分量。

• InvBase方法（2023）提出了在特征提取前移除基线功率的方法，提取不受被试影响的特征用于情绪分类。

• 基线去除是EEG预处理的标准操作，常见做法是从试次EEG功率中减去基线功率。

独创性评估：基线校正的思想已有成熟研究，但将其提升为EEG大模型的标准架构范式——即设计可学习的差分函数 f（而非简单的线性减法），并将其作为模型的第一层“动态参考系变换”——这一视角在现有文献中尚未被充分理论化。特别是将 f 定义为黎曼流形上的测地线距离或深度表征空间的“流形位移”，仍是开放的研究方向。

6.3 代表性文献

• Lee, et al. (2023). Subject-Invariant Deep Neural Networks Based on Baseline Correction for EEG Motor Imagery BCI. IEEE Journal of Biomedical and Health Informatics, 27(4), 1801-1812. DOI: 10.1109/JBHI.2023.3236870
• InvBase: A Novel Baseline Removal Paradigm for Subject-Independent Features in Emotion Classification Using EEG (2023).

七、灵感六：强制外部扰动作为通用校准探针

7.1 核心思想

被动采集的静息态EEG（EEG₀）受内在思绪漫游、微状态切换等因素影响，难以作为稳定的校准参照。主动施加标准化的外部物理刺激（如10ms白噪音、TMS单脉冲、屏幕全局闪烁），将该刺激诱发的标准响应（ERP或TMS-EVOKED电位）作为该个体的“物理指纹”。这把“标准尺子”可即时反算该个体的颅骨衰减系数和皮层兴奋性，作为条件输入（Conditional Input）喂给大模型，实现“自动对焦”。

7.2 研究现状与首创性判断

该方向有零星研究，尚未形成系统框架。

• TMS-EEG联合研究已用于评估个体皮层兴奋性和可塑性。
• 经颅聚焦超声（tFUS）神经调控与EEG的联合记录已被用于探索调控机制。
• 已有研究比较了静息态EEG校准、任务态EEG校准与10Hz振荡校准的效果。

独创性评估：较高首创性。将外部扰动诱发的标准响应系统性地作为EEG大模型的“校准探针” ——而非仅作为神经科学实验的刺激范式——这一视角在现有文献中尚无系统论述。特别是将其与Transformer的条件输入机制结合，是一个全新的方向。

7.3 代表性文献

• (2021). Cortical mechanisms underlying variability in intermittent theta-burst stimulation-induced plasticity: A TMS-EEG study. PubMed.
• Transcranial focused ultrasound to V5 enhances human visual motion brain-computer interface by modulating feature-based attention.

八、灵感七：从空间对齐转向有向信息流（因果方向）对齐

8.1 核心思想

当前泛化工作聚焦于对齐“电压值”或“功率谱”，但这些特征受颅骨厚度等物理因素影响显著。有向传递熵（Directed Transfer Entropy）或Granger因果性测量的是大脑不同区域之间信息流动的因果箭头——例如枕叶→顶叶→额叶的传导延时。颅骨厚度会改变电压幅值，但不会改变神经信号在皮层之间传播的相对延时和方向（由白质纤维束决定）。若大模型以“信息流的时空梯度”作为输入特征，不同个体的数据在该空间的分布将高度重合——泛化转化为“因果模式匹配”而非“电压模式匹配”。

8.2 研究现状与首创性判断

该方向已有方法学基础，但尚未与大模型泛化结合。

• 有向信息（Directed Information）和Granger因果性已被用于量化脑区间的信息流。
• 图神经网络（GNN）已被用于建模EEG通道间依赖关系，但现有方法大多依赖对称邻接矩阵，未能捕捉神经信息流的因果驱动本质。
• GL-LFGNN（2026）提出了基于Liang-Kleeman信息流的全局-局部双分支因果图神经网络用于EEG情绪识别。

独创性评估：较高首创性。将有向信息流/因果方向作为跨被试泛化的主要特征空间（而非辅助分析工具），并系统论证其相对于电压对齐的泛化优势，这一思路在现有文献中尚无系统呈现。

8.3 代表性文献

• GL-LFGNN: A Global-Local Dual-branch Causal Graph Neural Network Based on Liang-Kleeman Information Flow for EEG Emotion Recognition (2026).
• Directed information measure for quantifying the information flow in the brain.

九、灵感八：元学习“个体专属的降维投影矩阵”

9.1 核心思想

每个人的高维EEG都有其独特的低维流形。与其将所有数据对齐到同一个模板空间，不如训练一个轻量级元网络（Hypernetwork），其输入为目标个体仅1分钟的无标签EEG数据，输出为该个体专属的降维投影矩阵。大模型不再被动适应所有数据，而是根据新被试的数据“即时生成”适合该被试脑壳的解码器前端——将“泛化难题”转化为“生成前端适配器”的难题。

9.2 研究现状与首创性判断

该方向已有初步探索。

• MetaSPDB（2026）提出了共享-个性化双分支元学习框架，将表征学习解耦为共享分支（捕获通用特征）和个性化分支。
• GenDT-MAML（2026）将生成式数字孪生与模型无关元学习（MAML）结合，实现少样本个性化。
• TCPL（Task-Conditioned Prompt Learning）将个体特异性显式编码为提示令牌（prompt tokens）以实现高效适配。
• BrainUICL（2025）提出了无监督个体持续学习框架，使模型能在无标签条件下持续适应新个体。

独创性评估：中度首创。元学习在EEG个性化中已有应用，但将元网络的输出明确定义为“降维投影矩阵” （而非仅调整模型参数）——即在表征空间的入口处进行个体专属的“前端适配”——这一具体思路在现有文献中尚不充分。

9.3 代表性文献

• MetaSPDB: A Shared-Personalized Dual-Branch Framework for Cross-Subject EEG Emotion Recognition (2026).
• GenDT-MAML: A Data-Efficient Framework for Personalized Seizure Prediction Using Generative Digital Twins and MAML (2026).
• BrainUICL: An Unsupervised Individual Continual Learning Framework for EEG (2025).

十、灵感九：生理伪迹从噪声转变为“内源性生物标尺”

10.1 核心思想

心电（ECG）、眼电（EOG）等生理信号通常被视为EEG的噪声而被滤除。但这些信号从源头产生、经过个体特有的颅骨/头皮组织传导到EEG电极的过程中，其衰减和形变模式天然编码了该个体的物理传导参数。刻意提取心电伪迹在多个EEG电极上的幅值衰减比，可精确计算出该个体的颅骨有效电阻率——而这一参数与神经信号穿过颅骨的衰减方式服从同一物理方程（容积导体效应） 。拿到这一物理参数后，神经信号的空间滤波就不再是盲目的数据驱动，而是有物理方程约束的“逆问题求解”。

10.2 研究现状与首创性判断

该方向几乎空白，具有极高的首创性。

• 现有研究大多聚焦于去除伪迹，而非利用伪迹。
• PTSM（Physiology-aware and Task-invariant Spatio-temporal Modeling）提出了双分支调制机制，将EEG信号显式分解为个性化路径和任务通用路径——这是最接近“利用生理信息”的思路，但未聚焦于伪迹本身。
• CLEEGN提出了基于被试无关预训练模型的即插即用EEG重建网络。

独创性评估：极高首创性。将生理伪迹反向利用为个体物理参数的“内源性标尺” ——即“噪声→信号”的范式转换——在现有EEG大模型文献中尚无先例。这一思路的核心优势在于零额外采集成本（伪迹本就存在于EEG中）和物理可解释性强（基于容积导体方程）。

10.3 代表性文献

• PTSM: Physiology-aware and Task-invariant Spatio-temporal Modeling for Cross-Subject EEG Decoding.
• CLEEGN: A Convolutional Neural Network for Plug-and-Play Automatic EEG Reconstruction.

十一、灵感十：昼夜节律作为显式时间轴

11.1 核心思想

泛化不仅面临“跨人”挑战，还面临“跨时间”挑战——同一人的EEG在早晨（高唤醒）和深夜（疲劳）频谱上存在天壤之别。构建生物钟嵌入（Circadian Embedding），将数据采集的具体时间点、被试的睡眠时长作为必须输入的额外标签。若模型在预训练时学到“时间轴上的状态转移规律”（人类生物节律造成的EEG变化是平滑的低频函数），面对新被试时即使只采集了早晨的数据，也能通过内插/外推预测该被试下午的EEG基线。泛化的终极目标不是省掉首次校准，而是省掉在未来任何时间点的重新校准。

11.2 研究现状与首创性判断

该方向有初步探索，但尚未系统化。

• 睡眠EEG基础模型已揭示传统分期之外的微观结构蕴含丰富的健康信息。
• 睡眠EEG预训练可有效编码年龄、BMI等生物信息。
• EEG的非平稳性已被公认为BCI的核心挑战，疲劳、情绪、电极位移、环境噪声均会导致跨时段漂移。

独创性评估：高度首创。将昼夜节律/生物钟作为显式时间嵌入纳入EEG大模型的输入空间——而非仅作为实验控制变量或在预处理中“归一化”掉——在现有文献中尚无系统论述。这一思路将泛化的时间维度从“被消除的噪声”提升为“可建模的信号”。

11.3 代表性文献

• Sleep EEG foundation models reveal within-stage microstructure that improves health screening beyond traditional stages. npj Digital Medicine (2026).
• Non-Stationarity in Brain-Computer Interfaces: An Analytical Perspective.

十二、总结与展望

本文系统梳理了EEG大模型泛化困难的十大突破方向，按其作用层次可归纳为四个层面：

数据层面（灵感一、二、三）：通过跨物种数据扩充、多模态物理融合和主观量表语义锚定，从源头丰富训练数据的多样性和信息维度。

表征层面（灵感五、七、八）：通过个体差分基线变换、有向信息流对齐和元学习动态适配，在表征空间中消除个体解剖差异、保留神经计算的共性结构。

校准层面（灵感六、九）：通过强制外部扰动和生理伪迹内源标尺，以极低成本获取个体的物理传导参数，实现“物理知情”的个性化校准。

理论层面（灵感四、十）：通过心物拓扑断裂界定模型的终极能力边界，通过昼夜节律时间轴将泛化从“跨人”拓展至“跨时间”。

十个方向并非相互独立，而是构成了一个有机的整体。例如，灵感九（伪迹标尺）估算的个体物理参数可作为灵感八（元学习投影矩阵）的输入先验；灵感五（差分基线）与灵感七（有向信息流）可在同一模型中协同使用——前者消除幅值差异，后者对齐因果结构；灵感二（多模态融合）提供的fUS空间信息可与灵感六（外部扰动）结合，构建“刺激-响应-成像”的完整物理链路。

当前EEG大模型研究正处于从“实验室玩具”向“通用工具”演进的关键转折点。上述十个方向——无论是否已有研究基础——都指向同一个核心命题：泛化的突破不在模型规模的简单堆叠，而在对EEG信号物理本质、个体生物学差异和意识哲学边界的深刻理解。

参考文献

[1] Li, H., Chen, Y., Wang, Y., Ni, W., & Zhang, H. (2025). Foundation Models for Cross-Domain EEG Analysis Application: A Survey. arXiv, 2508.15716.

[2] Liu, D., Chen, Y., Chen, Z., Cui, Z., Wen, Y., An, J., Luo, J., & Wu, D. (2026). EEG Foundation Models: Progresses, Benchmarking, and Open Problems. arXiv, 2601.17883. DOI: 10.48550/arXiv.2601.17883

[3] Dai, R., Dong, S., Lü, B., & Zheng, W. (2026). EEG Foundation Models for Brain-Computer Interfaces: Progress and Future Directions. Journal of Shanghai Jiaotong University (Science), 31(3), 783. DOI: 10.1007/s12204-026-2922-0

[4] Darankoum, D., Habermacher, C., Volle, J., & Grudinin, S. (2026). SpecMoE: Spectral Mixture-of-Experts Foundation Model for Cross-Species EEG Decoding. arXiv, 2603.16739.

[5] Wang et al. (2025). Canine EEG Helps Human: Cross-Species and Cross-Modality Epileptic Seizure Detection via Multi-Space Alignment. National Science Review, nwaf086. DOI: 10.1093/nsr/nwaf086

[6] Guo, H., Abdellatif, F., Bi, H., et al. (2026). Brain-OF: An Omnifunctional Foundation Model for fMRI, EEG and MEG. arXiv, 2602.23410.

[7] Ouroboros Neurotechnologies. (2025). Neural networks and foundation models: two strategies for EEG-to-fMRI prediction. Frontiers in Systems Biology, 1715692. DOI: 10.3389/fsysb.2025.1715692

[8] Chen, X., Li, Z., & Wang, S. (2025). UltraVAR: A Generative AI Framework for High-Fidelity Reconstruction of Human Brain Functional Ultrasound Images. IEEE Journal of Biomedical and Health Informatics.

[9] Lee, et al. (2023). Subject-Invariant Deep Neural Networks Based on Baseline Correction for EEG Motor Imagery BCI. IEEE Journal of Biomedical and Health Informatics, 27(4), 1801-1812. DOI: 10.1109/JBHI.2023.3236870

[10] InvBase: A Novel Baseline Removal Paradigm for Subject-Independent Features in Emotion Classification Using EEG (2023).

[11] MetaSPDB: A Shared-Personalized Dual-Branch Framework for Cross-Subject EEG Emotion Recognition (2026).

[12] GenDT-MAML: A Data-Efficient Framework for Personalized Seizure Prediction Using Generative Digital Twins and MAML (2026).

[13] BrainUICL: An Unsupervised Individual Continual Learning Framework for EEG (2025).

[14] PTSM: Physiology-aware and Task-invariant Spatio-temporal Modeling for Cross-Subject EEG Decoding.

[15] GL-LFGNN: A Global-Local Dual-branch Causal Graph Neural Network Based on Liang-Kleeman Information Flow for EEG Emotion Recognition (2026).

[16] Sleep EEG foundation models reveal within-stage microstructure that improves health screening beyond traditional stages. npj Digital Medicine (2026).