让人工智能“听懂”脑电波！榕企合作研究成果取得脑电AI新突破

近日，星网锐捷旗下福建星启灵知智能科技有限公司联合香港科技大学（广州）陈晋泰教授领衔的ML4H团队，在脑电人工智能与多模态智能分析领域取得新进展。双方共同研发的脑电多模态人工智能方法EEGBind，入选国际计算机学会（ACM）主办的计算机多媒体领域顶级会议ACM Multimedia 2026，并在NeuroMM 2026 Grand Challenge Track 3官方评测中取得0.8395 Weighted-F1，在该赛道所有参评方法中排名第一。

对普通人来说，脑电信号可能只是屏幕上起伏的“波浪线”。但对人工智能而言，这些连续变化的波形里，藏着丰富的时间、空间和信号形态信息。

传统人工智能方法可以帮助判断一段脑电中有没有异常活动。但这次研究想更进一步让AI从复杂波形变化中，判断这些信号更接近哪些脑电来源区域特征。研究将脑电信号按来源区域特征分类，包括全脑广泛型、额区、颞区、枕区以及中央-顶区。

团队负责人向记者打了个比方：这就像听一场交响乐，过去AI主要判断“有没有杂音”，现在还要进一步分辨，这个声音更像来自小提琴、鼓，还是钢琴。模型不仅需要“看见”脑电信号，还要从短时、复杂且具有个体差异的EEG数据中，提取能反映空间分布与信号形态差异的关键特征。

在传统采集过程中，脑电信号往往与同步视频一同采集。视频中记录的患者动作、姿态以及当时状态，可以为判断脑电异常活动的来源提供背景信息。

研究团队构建了EEG-centric multimodal binding框架，把EEG作为主要信息来源，同时引入同步视频信息作为辅助上下文。“EEG是主证据，视频是旁证。”项目团队负责人向记者解释，这就像破案，口供是核心，现场监控能帮忙，但不能因为监控模糊就改判。

当辅助信息不完整时，如果AI太依赖视频，就可能影响最终判断。为此，EEGBind加入了View-Consistent Repair（视图一致性修复）。研究过程中，团队会主动对部分视频信息进行丢弃或遮蔽，让模型学习在辅助信息发生变化时，仍然尽可能保持稳定的脑电表征和分类结果。（记者 梁凯鸿 通讯员 沈连芬）