2026 PNPL 竞赛：LibriBrain100 中的词分类与高效跨被试泛化 The 2026 PNPL Competition: Word Classification and Efficient Cross-Subject Generalisation in LibriBrain100
以 MEG 词分类为核心的非侵入式语音解码竞赛，设单被试深度与跨被试泛化双赛道
前置知识
脑磁图（MEG）
一种非侵入式脑成像技术，通过测量神经元同步电活动产生的微弱磁场来记录大脑活动。时间分辨率达毫秒级，空间精度典型为 5–10 mm、最佳可达 2–4 mm，接近侵入式 ECoG 却无需开颅手术，并能覆盖全脑，而植入电极只能采样有限的皮层区域。
本文任务的输入就是 306 通道的 MEG 时间序列，竞赛的数据规模与双赛道设计都建立在 MEG 的时空精度优势之上。
脑机接口（BCI）
将神经活动直接转译为输出信号（文字、语音或控制指令）的系统。语音 BCI 分为侵入式（植入电极，性能强但需开颅、数据难规模化）与非侵入式（MEG/EEG 等，安全但信噪比低）；第一个侵入式语音 BCI 流水线由词分类、语音检测与语言模型三部分构成。
竞赛的终极目标是让重度瘫痪者用非侵入手段恢复交流，理解这一临床动机才能读懂 Broad 赛道把校准数据压到 10 分钟的设计。
Top-10 平衡准确率（BAcc@10）
检索式词分类的主指标：对 $K=50$ 的固定词表，模型输出 top-10 候选，按类计算 Recall@10 再取平均：$\mathrm{BAcc}@10 = \frac{1}{K}\sum_{k=1}^{K} \mathrm{Recall}@10_k$。平衡化使每个词贡献相等、不受出现频率影响。随机猜测期望为 $10/50=20\%$，100% 表示正确词总在前 10。
排行榜与最终排名都以它为准，论文中所有基线分数（73.23%、42.96%）都必须对照 20% 的随机线来解读。
跨被试泛化与零样本泛化
跨被试泛化指模型能否迁移到训练时未见的新被试；零样本泛化更严格，要求完全不使用该被试的任何校准数据直接预测。由于个体脑解剖与信号模式差异巨大，这是非侵入解码最难、也最具临床价值的设定。
Broad 赛道的 40/20/10 分钟分层数据梯度与 8 名零样本保留被试正是围绕这一概念设计的。
OVMI（开放词表互信息）
开放词表互信息是信息论指标：$\mathrm{OVMI}(S)=C(S)\,I(X;Y \mid X \in S)$，其中 $C(S)$ 是检索词表对参考词频分布（竞赛用 SUBTLEX-UK）的覆盖率，$I$ 是意图词 $X$ 与解码输出 $Y$ 在词表内的互信息，单位为比特/词，随机水平为 0。它同时惩罚解码错误与词表覆盖不足。
BAcc@10 强烈依赖词表选择，OVMI 是论文推荐的跨研究可比辅助指标，读懂 Broad 赛道基线的低分必须借助它。
研究动机
非侵入语音解码领域正陷入“有进展、难比较”的困境。侵入式脑机接口性能惊人：从 Moses 等 2021 年首次解码连通语音，到 Willett 等 2023 年词汇量突破 125,000 词，再到 Card 等 2024 年词错率（WER）降至 2.5%，已优于人类转录约 5–10% 的水平，但开颅手术风险与逐患者采集难以规模化使其无法普及。非侵入的脑磁图（MEG）以毫秒级时间分辨率和 5–10 mm（最佳 2–4 mm）空间精度被视为最有希望的替代，近年解码研究不断涌现，却因缺乏共享基础设施（公共数据集、固定评测划分、标准指标、基线代码）而难以积累。以词分类为例：不同研究各自选用语料库中最频繁的 K 个词作目标词表，即便指标相同也不可比，且高频词多为交际价值有限的功能词。更关键的是，整个领域（包括最先进的侵入系统）几乎都只在单一被试上训练与评测，而实用 BCI 必须用几分钟而非几十小时的数据适应新用户——跨被试泛化恰恰是临床部署的真正瓶颈。
本文的目标是本文的目标是通过 2026 年 PNPL 竞赛建立非侵入语音解码的社区基础设施，把分散的研究拧成一股绳。具体包括：(1) 发布扩展数据集 LibriBrain100，将原 LibriBrain 单被试（被试 0）数据扩展到约 80 小时（迄今最深的单被试 MEG 数据集），并新增 32 名被试各约 40 分钟录音，共 33 人；(2) 把任务课程推进到词分类，设立两条赛道——Deep 赛道追求单被试（被试 0）上的极致解码性能，Broad 赛道评测跨被试泛化，被试特定数据从约 40 分钟递减到 20、10 分钟（10 分钟处于临床可行范围），另有 8 名被试完全不提供训练数据以评测零样本泛化；(3) 建立统一评测：自定义 50 词竞赛词表上的 Top-10 平衡准确率为主指标，辅以 Moses 50 词表与开放词表互信息 OVMI；(4) 配套 pnpl 库、参考模型 checkpoint、Colab 教程、Kaggle 提交平台与公开排行榜，让没有神经科学背景的机器学习研究者也能低门槛参与。
与已有工作不同的是，本文的独特切入角度有三。其一，课程式任务设计：2025 年首届 PNPL 竞赛从最简单的语音检测（二元分类）与音素分类起步，获胜方案分别达到 F1-macro 95.6% 与 73.6%；2026 年顺势推进到词分类，它比开放词表 brain-to-text 结构化得多（后者 2025 年才首次超过随机水平），又首次触及词汇与语义信息，是与首个侵入式语音 BCI 流水线（词分类+语音检测+语言模型）对应的可靠中间靶点。其二，首次把跨被试泛化作为显式竞赛目标：连 Willett、Card 等 SOTA 侵入系统都是单被试训练评测，Broad 赛道以 40/20/10 分钟梯度与零样本保留被试直接模拟临床约束，为数据高效泛化提供全新评测范式。其三，评测协议创新：固定竞赛词表解决可比性、Moses 50 词表衔接侵入文献、OVMI 信息论指标跨越不同词表横向比较——三管齐下，直击词分类“词表决定成绩”的顽疾。
核心方法
这篇论文本质是一份竞赛说明书，其“方法”是评测基础设施的系统性设计。直觉是：一个领域要积累式发展，光有更好的模型不够，还需要公共数据、固定划分、标准指标和可复现基线。技术路线如下：数据层面，LibriBrain100 以 HDF5 存放 MEG 信号、TSV 存放标签，在 Hugging Face 上以 libribrain 与 libribrain2 两个仓库发布（含序列化 HDF5 与未预处理 FIF 原始格式，后者含头动伪迹且体积大）；任务层面，形式化为给定 MEG 窗口 $x \in \mathbb{R}^{306 \times T}$（306 个传感器 × T 个时间样本），预测被试正在听到的词 $y \in V$，$V$ 为固定的 50 词检索词表；评测层面，holdout 标签不公开、只发布录音供参赛者上传预测，且划分为持续更新排行榜的分区与最终排名独立分区以防过拟合；工程层面，pip install pnpl 即可自动按需下载数据并得到标准 PyTorch DataLoader，三个 Colab 教程可在免费 GPU 上完成从数据加载到提交的全流程。
核心创新是“双赛道 + 分层数据协议”的竞赛结构。Deep 赛道榨干被试 0 约 80 小时的史上最深单被试 MEG 数据，允许使用任何数据训练，目标是推动非侵入词分类的性能极限；Broad 赛道则把临床约束编码进数据划分：12 名被试释放约 40 分钟、10 名约 20 分钟、10 名约 10 分钟的被试特定数据（10 分钟正是临床上可接受的采集时长），另有 8 名被试（33–40）不释放任何训练数据，专用于零样本跨被试泛化评测——这是最具临床价值也最严苛的区域。与已有工作的本质区别在评测协议：以往词分类研究各用各的高频 K 词词表，成绩不可比；本文固定竞赛词表并显式公开，同时并行追踪侵入文献通用的 Moses 50 词表，再以 OVMI 度量“解码质量 × 词表覆盖率”的联合信息量，使不同词表的结果可以放在同一把信息论的尺子下比较。
方法步骤详情
流程分五步。(1) 数据构建与分层释放：33 名被试听自然语音，被试 0 扩展至约 80 小时；被试 1–32 各录约 40 分钟，按 40/20/10 分钟分层释放；被试 33–40 仅提供无标签 holdout 录音。(2) 任务形式化：输入为 $306 \times T$ 的 MEG 窗口，输出为 50 词表上的 top-10 词预测。(3) 指标计算：主指标 $\mathrm{BAcc}@10 = \frac{1}{K}\sum_{k=1}^{K}\mathrm{Recall}@10_k$（$K=50$，随机水平 20%），辅以 BAcc@1（随机 2%）破平局；OVMI 单位为比特/词。(4) 基线设定：Deep 赛道用被试 0 全量数据复现 d'Ascoli 等 2025 监督模型；Broad 赛道用 MEG-XL——约 800 名被试、约 300 小时 MEG 上自监督预训练的基础模型——以半个 session 微调、另一半验证。(5) 参与：pnpl → Colab 教程 → 生成 holdout 预测 CSV → 上传 Kaggle → 排行榜更新。
技术新颖性
技术新颖性体现在四个“首次”。其一，词分类首次被标准化为竞赛任务：词是事实上的开放集合，词表的选择（而不仅是大小）直接改变成绩——自定义高频 K 词词表最大化训练样本与表面分数却不可比，Moses 50 支持跨研究对比却可能在语料中词例稀少；本文同时报告三种互补评测并建议领域采纳，本身就是对评测学的贡献。其二，跨被试泛化首次成为竞赛目标，且这是首个基于大规模多被试 MEG 数据集的竞赛，零样本保留被试的设计在同类基准中独一无二。其三，参考模型的挑选本身反映了领域最新认识：被试内数据充足时监督模型（d'Ascoli）更强，每被试数据稀缺时自监督基础模型 MEG-XL 的预训练先验优势显著，两条赛道各配最合适的基线。其四，与侵入式 Brain-to-Text '24 竞赛对照，本文坚守非侵入 MEG 路线，明确将 Brain2Qwerty 等打字解码排除在外（手指瘫痪者无法受益），坚持面向真实患者的课程式路线图。
实验结果
定量结果集中在参考模型基线（Table 1），为验证集最佳 checkpoint 在测试数据上的分数。Deep 赛道：d'Ascoli 监督模型用被试 0 全量数据训练，竞赛词表 BAcc@10 达 73.23%（随机 20%）、BAcc@1 25.60%、OVMI 0.220 比特/词；Moses 50 词表上更高，BAcc@10 83.60%、BAcc@1 38.84%、OVMI 0.157。Broad 赛道：MEG-XL 微调后竞赛词表 BAcc@10 42.96%、BAcc@1 6.20%、OVMI 仅 0.014；Moses 词表 BAcc@10 52.23%；同赛道的监督 d'Ascoli 模型只有 BAcc@10 33.13%、BAcc@1 5.14%、OVMI 0.009——每被试数据稀缺时自监督预训练带来约 9.8 个百分点的优势，印证基础模型先验价值。两赛道 73.23% 对 42.96% 的落差定量刻画了跨被试泛化难度。2025 年竞赛已吸引 15 国 155 支队伍、6,041 次提交，LibriBrain 至 2026 年 4 月下载超 16,000 次。
查看结构化数据
| 任务 | 指标 | 本文 | 基线 | 提升 |
|---|---|---|---|---|
| Deep 赛道：单被试（被试 0）词分类 | BAcc@10（竞赛 50 词词表） | 73.23%（d'Ascoli 参考模型） | 随机猜测 20.00% | +53.23 个百分点 |
| Broad 赛道：跨被试词分类 | BAcc@10（竞赛 50 词词表） | 42.96%（MEG-XL 参考模型） | 同赛道 d'Ascoli 监督模型 33.13% | +9.83 个百分点 |
| Deep 赛道：Moses 50 词表词分类 | BAcc@10 | 83.60% | 随机猜测 20.00% | +63.60 个百分点 |
| Broad 赛道：跨被试词分类 | BAcc@1（竞赛 50 词词表） | 6.20%（MEG-XL） | d'Ascoli 5.14%；随机猜测 2.00% | +1.06 个百分点（相对监督基线） |
局限与改进
作者承认的局限：BAcc@10 无法区分正确词排第一还是第十，故需 BAcc@1 破平局；持续提交可能过拟合排行榜分区，因此设置独立的最终排名分区。我自己的观察：其一，Broad 赛道基线离可用尚远——BAcc@10 42.96% 看似两倍于随机，但 BAcc@1 仅 6.20%、OVMI 只有 0.014 比特/词，说明每词可传递的信息量仍极小；其二，零样本组（被试 33–40）没有任何基线报告，最 clinically 相关的区域反而是基线数据最缺的区域；其三，基线微调协议保守（仅用 Sherlock 1 Session 1 的一半数据），被试 0 与被试 1–32 联合训练等更优策略被明确留给参赛者，参考分数可能低估可达到的上限；其四，20 名被试各只有 10–20 分钟数据，跨被试结论的统计功效有限；其五，holdout 语料来源不公开，外部有效性（换语料库后是否成立）无法检验；最后，所有结论都基于听自然语音的健康被试，距离瘫痪患者的真实部署仍有距离。
独立分析的弱点
独立分析的弱点与改进方向：(1) 单被试与跨被试的性能鸿沟（BAcc@10 73.23% vs 42.96%）表明当前模型严重依赖被试特异性特征，改进方向是被试不变表征学习、域对抗训练或测试时自适应（如熵最小化类方法），让 10 分钟校准数据专注于个体对齐而非从头学习；(2) MEG-XL 预训练语料约 300 小时/800 被试，相对视觉与语言基础模型仍很小，Broad 赛道 OVMI 接近 0 说明跨被试可迁移信息存在严重瓶颈，可扩大多被试多中心预训练并引入 EEG–MEG 跨模态联合训练；(3) 词表仅 50 词且随机底线高达 20%，容易高估表面进展，建议以更大词表或以 OVMI 为主报告；(4) 评测假设“被试在听”，而真实 BCI 还需把语音检测（2025 任务）与语言模型衔接起来，本届未将三者串成端到端流水线；(5) 竞赛周期仅三个月（2026-07-15 至 10-15），涉及大型基础模型的系统性改进可能来不及充分展开，赛后数据全量释放才能支撑更深入的研究。
未来方向
作者提出的后续工作：竞赛结束后释放被试 1–32 的全量约 40 分钟数据；组委会将独立开展赛后结果分析；获胜方案经核验后将被公开，并鼓励向 pnpl 仓库贡献数据加载器、可复用基线与文档。基于本文成果可延伸的方向：其一，把 2025 年的语音检测与本届词分类拼接成连续语音解码流水线，逼近非侵入 brain-to-text（Jayalath 等 2025a 已首次报告显著优于随机的词错率）；其二，面向 10 分钟校准的临床目标，系统研究少样本/元学习式被试适配以及零样本解码的性能极限；其三，把 MEG-XL 类自监督基础模型扩展到更多被试与更多任务层级（语音检测、音素、词、句子），检验缩放定律在神经数据上是否成立；其四，开展跨数据集泛化验证，例如与 Brain2Qwerty 等打字范式数据比较，界定“听”与“说/打字”解码的表征共享程度；其五，与侵入式系统在 Moses 50 上正面对标，量化非侵入与侵入路线的真实差距，为临床转化路线图提供依据。
复现评估
复现性非常好，是这篇基准论文最突出的优点之一。数据完全公开：Hugging Face 上 libribrain 与 libribrain2 两个仓库提供序列化 HDF5 与原始 FIF 两种格式；pnpl 库一条命令安装（pip install pnpl），自动按需下载并给出标准 PyTorch DataLoader，无需了解底层仓库结构。代码与模型公开：参考模型代码与 checkpoint 在 GitHub（如 neural-processing-lab/MEG-XL），Deep 赛道基线对应 d'Ascoli 等 2025 的监督词解码模型。教程友好：三个 Colab notebook（数据加载与被试 0 微调、跨被试微调、holdout 预测与提交）均可在免费 GPU 上运行；提交走 Kaggle 平台自动评测 CSV 预测文件。算力门槛低，Colab 免费 GPU 即可起步并明显超过随机基线，但要用满 80 小时数据冲击 Deep 赛道 73.23% 的基线，可能需要可观算力。整体复现难度：入门到中等，非常适合作为 MEG 解码方向的练手基准。
论文图表
