AutoBCI：基于脑电图的大脑-计算机接口的预测引导 Agentic 神经架构发现

基于脑电图的脑机接口支持广泛的应用，但设计在不同任务中表现良好的解码架构仍然具有挑战性。我们介绍 AutoBCI，一个 agentic 框架，其中设计Agent和预测Agent支持跨任务发现和选择 EEG 解码架构。设计Agent执行池引导架构发现 (PGAD)，通过跨多个 EEG 任务（例如情绪识别、运动想象和睡眠分期）的训练和验证来生成和完善架构。预测Agent根据早期知识进行性能估计 (PEEK)，使用架构代码、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途的候选者进行继续训练。在涵盖运动想象、情绪识别和睡眠分期的 14 个 EEG 数据集中，我们使用 6 个 LLM（包括 Opus 5.5 和 GPT 5.6 Sol）评估 AutoBCI，并将搜索程序选择的架构与 10 个基线进行比较：6 个传统 EEG 模型和 4 个基础模型。 AutoBCI 与 Claude Opus 5.5 发现的架构实现了 64.16% 的平均测试平衡准确度 (bAcc)，而 REVE 的平均测试平衡准确度为 63.87%，这是该指标的最强基线。使用 10 个观察时期，PEEK 将预测平均验证 bAcc 的平均绝对误差从 2.20 个百分点降低到 1.36 个百分点，相对于最佳观察分数基线降低了 38.1%。