DGIST智能机器人系的Jinung An博士领导的研究团队开发了一种新型AI基础模型，创造性地解决了"标记数据短缺"问题，该问题被认为是基于深度学习的脑信号分析中最大的挑战。该技术旨在自主学习脑信号，并因其仅需极少量标记即可提供高准确度的能力而受到关注。
该研究成果发表在《生物医学计算机》期刊上。
该研究由Jinung An博士（智能机器人系首席研究员、跨学科工程专业兼任教授）与博士后研究员Uijin Jeong（郑义真）和Sihu Park（朴时雨）（机器人与机电一体化研究所，生物实体物理AI研究组）共同完成。他们的成就是世界上首次开发出能够理解和分析EEG（脑电图）和fNIRS（功能性近红外光谱）信号的EEG-fNIRS多模态基础模型。
研究团队从918名个体获取了约1,250小时的超大型脑信号数据，并以无监督方式（无需标记）训练了模型。该模型设计用于同时识别EEG和fNIRS各自独特的特征以及两种信号之间可能共享的表达方式。
特别值得一提的是，虽然此前开发多模态AI存在显著限制，例如几乎不可能同时获取EEG和fNIRS测量数据，但本研究开发的模型设计为无需同时测量数据即可进行训练。
此外，该模型仅需少量标记即可实现高精度，并能使用单一模型执行仅EEG分析、仅fNIRS分析以及结合两种信号的多模态分析，从而完全克服了现有技术的结构限制。
Jinung An博士表示："本研究是首个克服多模态脑信号分析结构限制的框架，在脑信号AI领域实现了根本性创新。特别是，这种对齐两种信号之间共享信息的对比学习策略，显著扩展了模型的表达能力，这将成为未来脑工程技术（如类脑AI和脑机接口）发展的关键转折点。"
更多信息： Jung Euijin（郑义真）等人，《EFRM：用于少样本脑信号分类的多模态EEG-fNIRS表征学习模型》，《生物医学计算机》(2025)。DOI: 10.1016/j.compbiomed.2025.111292
【全文结束】
