NeuroAct：基于双循环自主研究的EEG分析与解码框架

脑电分析与解码是脑机接口、认知评估和睡眠监测的共同技术底座。过去十余年间，EEG 脑机接口已分化出运动想象、事件相关电位、稳态视觉诱发电位等主要范式，解码算法也随之高度多样化 ^[1]。但主流做法多为固定流水线：特征提取器与分类器针对特定范式的信号特点量身定制，一个紧凑卷积网络能否跨范式通用长期悬而未决 ^[2]；受试者之间、会话之间性能波动很大，运动想象范式的"BCI 文盲"率高达 53.7% ^[3]；在痴呆等临床分类任务上，则依赖连续小波变换、高阶统计量等人工设计特征来应对 EEG 的非平稳与非线性 ^[4]。这些路线的共同短板是：当性能不佳或出现泛化缺口时，很难说清问题出在信号结构、表征质量、预测器行为还是训练动态上，固定流水线与纯奖励驱动的搜索都无法给出明确归因，干预选择因此缺乏依据。

NeuroAct 把这件事交给一个双环自主研究智能体。内环中，研究、开发与评审三种角色基于信号结构、表征、预测器行为和训练动态的证据检验假设、选择分析或干预方案，并以性能、稳定性和成本反馈迭代候选；外环则把结果凝练为附带任务条件与模型条件、可检验的条件化建议，在后续任务上验证并修订。其优化对象之一 EEGPT 是 2024 年 10 月提出的通用 EEG 基础模型 ^[5]，在独立基准评测中也是唯一在线性探测中显示出显著优势的模型 ^[6]。作者在四种场景下评测：通用分析宏平均 80.88，较 BrainAgent 的 63.13 高出 17.75 分；跨任务优化使 EEGPT 平均平衡准确率提升 7.34 分，HBN 皮尔逊相关从 0.6894 升至 0.7362；单任务开放研究将 ADFTD 平衡准确率提高 16.33 分；协同预测把 Workload 从 79.69% 提到 85.02%。经验复用使 BCIC-IV-2a 从 34.66% 升至 50.81%，同时 LLM token 消耗下降 64.02%。

相对既有认识，其推进在于把"选哪个模型、做哪种干预"从经验性的范式定制 ^[1]，转变为证据显式、可追溯的假设检验，并让经验以条件化建议的形式跨任务积累——BCIC-IV-2a 上的提升与 token 成本的大幅下降表明这类建议确有迁移价值，也为应对显著的个体与会话差异 ^[3] 提供了系统化的排查路径。

需要提醒的是，该工作目前是未经同行评议的 arXiv 预印本，全部数字来自作者自设评测；条件化建议能否在更广的任务、人群与记录条件下保持有效，双环智能体自身的运行成本如何权衡，仍有待独立验证。