脑电解读新架构：解码性能时空双向提升

脑电信号（EEG）的低信噪比、复杂时空特性及长程依赖，给脑机接口中的视觉解码等任务带来巨大挑战，而现有方法难以同时精准建模其空间电极关联与时间的动态变化，解码效果受限。

近日，浙江大学与蚂蚁集团联合团队提出GMamba 架构，通过融合图神经网络与Mamba 模块，实现脑电信号表征学习的突破。

该架构创新性地将脑电信号建模为带马尔可夫过程的时空图信号，核心包含双功能模块：Mamba 模块将脑电信号视为连续变量，通过选择性状态空间模型高效捕捉长程时间依赖；动态图模块结合共享图与自适应图，前者挖掘电极间固有关联，后者根据输入信号动态生成关联矩阵，精准建模空间复杂度。

通过 CLIP（一种图文联合的学习模型） 对比损失函数，GMamba 将脑电嵌入与图像 / 文本嵌入对齐，为跨模态任务提供支撑。

实验在含 11466 组脑电图像公开数据集上验证，GMamba 在脑电图像检索和脑电文本分类任务中均超越现有最优方法：检索任务 Top-1 准确率达 30%，2-Way 准确率达 86%；分类任务 Top-1 准确率达 28%，4-Way 准确率达 63%。其提取的脑电嵌入在潜空间中呈现清晰的类别聚类，稳定性与区分度突出。该方法为神经康复、机器人控制等脑机接口应用提供了更高效的技术方案，推动脑电信号解码的实用化进程。

参考文献：Feng, W., Xu, N., Zheng, K., Miao, C., Liu, T., & Wang, W. (2025, November). GMamba: EEG Representation Learning from Spatiotemporal Perspectives via Graph Mamba. In International Conference on Neural Information Processing (pp. 110-122). Singapore: Springer Nature Singapore.

在惯师官网哦~