基于LLM多智能体的免手动运动想象脑电图分类

《Journal of Neuroscience Methods》：Hands-free motor imagery EEG classification via LLM multi-agents

　　

• •
  我们提出了AutoMI，这是一种完全自动化的多智能体系统，用于迭代优化MI-EEG模型。它通过专用工具协调规划、执行和输出智能体，构建了一个闭环框架以实现模型的持续优化。
• •
  我们设计了一种混合决策机制，将Q学习与确定性规则相结合用于动作选择，从而避免无指导的大型语言模型依赖试错法，显著提升了优化效率与稳定性。
• •
  我们引入了一种自动化协同进化范式，可共同优化超参数，并直接生成针对特定任务的可行结构修改，从而突破预定义的搜索空间限制。
• •
  我们构建了一个基于规则的反馈流程，具备确定性回滚和上下文压缩功能，以此降低状态退化风险，实现强大的异常捕获与自主代码修复能力，确保长时间迭代过程的连续性。

引言

脑机接口（BCI）旨在建立大脑活动与计算设备之间的传输连接，其实现方式是尝试从脑电信号中解码信息（Liang等人，2023）。在目前大多数非侵入式BCI系统中，脑电图（EEG）是常用的脑活动记录方法（Wang等人，2023）。基于对EEG中特定神经事件的解码，人们开发出了多种EEG驱动的BCI系统。这些神经事件包括事件相关电位（Jin等人，2024；Li等人，2024）、稳态视觉诱发电位（He等人，2026；He等人，2025）以及运动想象（MI）（Zhang等人，2025；Zhao等人，2026）。运动想象是一种自发的BCI范式，要求用户通过想象身体部位的移动来替代实际动作（Padfield等人，2019），也是目前最流行的BCI范式之一（Duan等人，2020；Barmpas等人，2023）。

近年来，MI EEG解码技术已逐渐从主要采用常见空间模式（Müller-Gerking等人，1999）及其变体的机器学习方法（Ang等人，2008），转向受计算机视觉启发的深度学习方法。包括卷积神经网络（Zhang等人，2025）和Transformer模型（Song等人，2022）在内的多种网络结构被越来越多地应用于MI分类任务，并取得了良好的性能。与常见空间模式不同，这类网络能够自动完成特征提取，减少对人工设计的依赖。随着大规模预训练技术和智能体系统的广泛应用，EEG分类任务开始借助基础模型来应对跨数据集的挑战（Wang等人，2024；Jiang等人，2024）。

由于深度学习模型本身具有不可解释性，且不同受试者的EEG信号差异较大，因此其结构设计和超参数调优仍然高度依赖人类专家的经验以及反复的手动调整。传统的优化技术，如网格搜索或贝叶斯优化，只能在预定义的搜索空间内运行，这限制了它们的扩展性，也无法整合现有研究中的结构化见解。尽管在海量EEG数据集上预训练的基础模型具备强大的表征能力，但它们缺乏通用大型语言模型（LLM）的生成灵活性，无法直接合成和优化模型代码。要将这些模型适配到特定的MI任务中，往往需要大量的微调，但其性能仍常常落后于针对该任务优化的最先进解码器（Yao等人，2025；Kuruppu等人，2026）。虽然基于LLM的多智能体框架能够规避单一智能体的上下文长度限制（J. Zhao等人，2024），但标准的单次传递多智能体配置在多个上下文窗口之间会出现严重的状态退化问题。在多轮迭代代码优化过程中，先前的评估指标、决策路径以及中间代码状态会不可避免地丢失，这使得这类系统无法连贯地实现长期优化目标（Young，2025）。

为解决这些具体问题，我们提出了AutoMI，这是一种专为MI-EEG分类模型的迭代优化而设计的完全自动化多智能体系统。为克服手动迭代调整和预定义搜索空间的局限性，AutoMI引入了一种混合决策机制，将Q学习策略与确定性规则紧密结合。该机制无需依赖无指导的LLM试错法，能够高效地在优化空间中探索，同时通过文献检索工具引入结构化见解，并借助基于规则的反馈节点在执行失败时实现确定性回滚。此外，AutoMI并未构建单一的EEG基础模型，而是利用通用LLM的生成灵活性，直接生成针对特定任务的配置替换方案和可行的结构修改，从而自主优化专门的MI-EEG解码器。最后，为应对长期优化过程中的状态退化问题，AutoMI构建了一个由规划、执行和输出智能体组成的强大闭环框架。该框架与能够压缩历史序列同时保留关键评估指标和决策路径的经验追踪器相配合，为工作流程提供了强大的异常捕获和自主代码修复能力。通过将这些组件无缝集成，AutoMI为BCI系统提供了一种稳定且高效的优化范式。

经过AutoMI优化的MI-EEG模型在IV2a、OpenBMI和ECUST-MI三个数据集上进行了测试，其分类准确率平均分别提升了5.71%、2.92%和3.20%。其中，最高提升幅度可达24.69%、23.35%和23.28%，最低提升幅度也为5.71%、2.92%和3.20%，均达到了最先进的性能水平。这充分证明了AutoMI框架具备自动优化模型并克服手动试错局限性的能力。此外，与传统的自动化优化算法相比，使用AutoMI后的准确率分别提升了18.42%、9.27%和19.25%，进一步表明AutoMI的自动化优化能力已达到最先进水平。

本文的主要贡献如下。

• •
  我们提出了AutoMI，这是一种完全自动化多智能体系统，用于迭代优化MI-EEG模型。它通过专用工具协调规划、执行和输出智能体，构建了一个闭环框架以实现模型的持续优化。
• •
  我们设计了一种混合决策机制，将Q学习与确定性规则相结合用于动作选择，从而避免无指导的LLM试错法，显著提升了优化效率与稳定性。
• •
  我们引入了一种自动化协同进化范式，可共同优化超参数，并直接生成针对特定任务的可行结构修改，从而突破预定义的搜索空间限制。
• •
  我们构建了一个基于规则的反馈流程，具备确定性回滚和上下文压缩功能，以此降低状态退化风险，实现强大的异常捕获和自主代码修复能力，确保长时间迭代过程的连续性。

本文的其余部分结构如下：第2节概述相关研究工作，第3节介绍我们所提出的AutoMI方法，第4节展示实验结果，第5节对结果进行讨论，最后第6节总结本研究得出的结论。

章节要点

MI分类模型

早期的MI分类采用的是CSP等传统机器学习算法，而基于深度学习的MI-EEG分类模型则通过更多样的结构来捕捉特征（Sharma等人，2022；Arpaia等人，2022）。ShallowNet利用神经网络来实现对带功率特征的対数方差计算（Schirrmeister等人，2017）。EEGNet则采用深度可分离卷积来实现更为紧凑的结构（Lawhern等人，2018）。MSFFCNN（Roy，2022a）

方法

本节将介绍如图1所示的AutoMI框架与工作流程。首先在3.1节中对系统结构进行明确界定，定义所有的智能体、动作及工具；接着在3.2节详细说明这些组件如何在规划、执行和反馈这三个阶段的迭代工作中得到应用。

实验设置

我们使用了三个数据集来评估AutoMI的迭代效果，分别是BCI Competition IV Dataset IIa（IV2a）（Tangermann等人，2012）、OpenBMI数据集（Lee等人，2019）以及ECUST-MI数据集。IV2a数据集包含左手、右手、双脚和舌头这几类识别对象。共有九名健康参与者的MI-EEG数据通过22个电极以250赫兹的频率进行采集，每名参与者的第一次测试作为训练数据，第二次测试作为验证数据，每次测试包含288次试验，其中72

不同LLM的影响

表2展示了不同LLM在AutoMI中的应用效果。结合表1可以看出，所提出的AutoMI在所有被测试的模型中都带来了显著的性能提升，大多数MI-EEG模型在经过迭代优化后，其性能提升幅度在几个百分点到十余个百分点之间。在IV2a、OpenBMI和ECUST-MI数据集上的测试中，最高性能提升幅度分别达到了24.69%、23.35%和23.28%。AutoMI能够自动适应不同受试者之间的EEG特征差异，并对模型进行深度优化

结论

为解决MI-EEG解码过程中手动测试效率低下以及结构设计缺乏灵活性的问题，我们提出了AutoMI，这是一个完全自动化的框架，它将LLM智能体与基于Q学习和确定性规则的混合策略相结合，从而突破预定义的搜索空间限制，直接生成针对性的架构修改方案并优化超参数，进而实现模型的快速校准。我们在IV2a、OpenBMI和ECUST-MI数据集上，针对七种基准模型对AutoMI进行了测试

CRediT作者贡献说明

Ruiyu Zhao：撰写——审阅与编辑，撰写——初稿，可视化，验证，软件，方法论，形式分析，概念构思。Shurui Li：撰写——初稿，可视化，概念构思。Xinjie He：撰写——审阅与编辑，验证，方法论，数据整理。Xingyu Wang：撰写——审阅与编辑，研究调查，概念构思。Andrzej Cichocki：资源提供，概念构思。Yunhe Lu：资源提供。Jing Jin：撰写——审阅与编辑，监督指导，

利益冲突声明

我们声明，就本次提交的研究工作而言，我们不存在任何可能构成利益冲突的商业或关联利益。

致谢

本研究得到了“脑科学与类脑智能技术”国家科技重大专项 2022ZD0208900的部分支持，同时也获得了“上海市科技重大专项”在Grant 2021SHZDZX项下的资助；此外，该研究还得到了在Grant BE2022064-1项下开展的“关键核心技术”计划的支持，以及由“临港实验室”在Grant No. LGL8998项下提供的部分支持。

Ruiyu Zhao|Shurui Li|Xinjie He|Xingyu Wang|Andrzej Cichocki|Yunhe Lu|Jing Jin