arXiv cs.AI· Muyun Jiang, Yi Ding, Wei Zhang, Jinbo Chen, Chenyu Liu, Zhenjie Yang, Yuxin Li, Jingyuan Chen, Yuhao Lu, Yong Li, Shuailei Zhang, Cuntai Guan·· 10 小时前AI 评分31
AutoBCI：面向 EEG 脑机接口的预测引导智能体神经架构发现框架
AutoBCI: Forecast-Guided Agentic Neural Architecture Discovery for EEG-Based Brain-Computer Interfaces
AI 导读
AutoBCI 是一个由 Designer Agent 与 Forecaster Agent 组成的智能体框架，用于跨任务发现和筛选 EEG 解码架构。在覆盖运动想象、情绪识别与睡眠分期的 14 个 EEG 数据集上，Claude Opus 5.5 驱动发现的架构取得 64.16% 平均测试平衡准确率，高于最强基线 REVE 的 63.87%。
正文 · AI 翻译
作者：Muyun Jiang、Yi Ding、Wei Zhang、Jinbo Chen、Chenyu Liu、Zhenjie Yang、Yuxin Li、Jingyuan Chen、Yuhao Lu、Yong Li、Shuailei Zhang、Cuntai Guan
摘要：基于脑电图的脑机接口支持广泛的应用，但设计能在多种任务上表现良好的解码架构仍具挑战性。我们提出 AutoBCI，这是一个智能体框架，其中 Designer Agent 和 Forecaster Agent 支持跨任务的脑电解码架构发现与选择。Designer Agent 执行池引导架构发现（Pool-Guided Architecture Discovery，PGAD），通过跨多个脑电任务（如情绪识别、运动想象和睡眠分期）的训练与验证来生成并改进架构。Forecaster Agent 执行基于早期知识的表现估计（Performance Estimation from Early Knowledge，PEEK），利用架构代码、训练协议和早期学习曲线来预测全预算验证性能，并选择有前景的候选架构继续训练。在涵盖运动想象、情绪识别和睡眠分期的 14 个脑电数据集上，我们使用六个 LLM（包括 Opus 5.5 和 GPT 5.6 Sol）评估 AutoBCI，并将搜索过程选出的架构与十个基线进行比较：六个传统脑电模型和四个基础模型。AutoBCI 配合 Claude Opus 5.5 发现的架构平均测试平衡准确率（bAcc）达到 64.16%，而该指标上最强的基线 REVE 为 63.87%。使用十个观测 epoch，PEEK 将预测平均验证 bAcc 的平均绝对误差从 2.20 个百分点降至 1.36 个百分点，相对于最佳观测分数基线降低了 38.1%。代码可在 此 https URL 获取
| Comments: | 34 页，6 幅图，包括补充材料 |
| Subjects: | 人工智能（cs.AI） |
| Cite as: | arXiv:2609.35456 [cs.AI] |
| （或 arXiv:2609.35456v2 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2609.35456 由 DataCite 颁发的 arXiv DOI |
Submission history
来自：Muyun Jiang [查看邮箱]
[v1]
2026 年 9 月 28 日星期一 15:46:12 UTC（1,669 KB）
[v2]
2026 年 11 月 4 日星期三 02:48:15 UTC（1,669 KB）
来源：arXiv cs.AI · arxiv.org