MANAS-2: modelo de fundação para EEG aposta em reconstrução restrita

O que aconteceu

O MANAS-2, novo modelo de fundação para eletroencefalograma (EEG), foi apresentado em preprint no arXiv em 12 de setembro de 2026, sob o identificador arXiv:2609.13717v1. O modelo MANAS-2 combina duas peças. A primeira é o Raw-Band Hybrid (RBH), um masked autoencoder. A segunda é o Constrained Reconstruction (ConRec), um regularizador de motivação física.

O RBH reconstrói ao mesmo tempo patches de forma de onda temporal e alvos compactos de banda espectral. O ConRec, por sua vez, atua apenas na saída do decodificador temporal e penaliza diferenças de energia RMS entre janelas curtas adjacentes da forma de onda reconstruída. O objetivo declarado é moldar o encoder, enviesando-o para a organização da informação de envelope oscilatório.

Os números vêm de sete conjuntos de dados de EEG mantidos fora do treino (held-out). Adicionar o ConRec a um modelo RBH que, fora isso, é idêntico eleva a recuperação frozen ridge de potência espectral de seis bandas de R² médio 0,860 para 0,906. Na recuperação da dinâmica de energia de banda entre patches, o salto é de R² 0,283 para 0,354. A informação de forma de onda temporal continua altamente recuperável a partir dos latentes congelados.

O efeito do ConRec não depende da arquitetura. Aplicado a um masked autoencoder apenas temporal, o regularizador melhora a transferência downstream congelada e a geometria latente dependente de frequência, mesmo sem receber nenhum alvo espectral. O MANAS-2 também supera modelos de fundação de EEG líderes na maioria das tarefas de transferência de conhecimento downstream.

Contexto

A reconstrução mascarada é a receita padrão dos modelos de fundação de EEG. A ideia é simples: esconde-se parte do sinal e treina-se a rede para reconstruí-lo. O problema, segundo o paper, é que otimizar reconstrução sobre formas de onda de baixa relação sinal-ruído (low-SNR) não produz necessariamente a representação latente mais útil.

A proposta do MANAS-2 é separar duas coisas que costumam andar juntas. De um lado fica a qualidade da reconstrução. Do outro, a organização do espaço latente. O ConRec entra exatamente aí. Ele não tenta reconstruir melhor. Ele restringe como o decodificador organiza a energia do sinal, para que o encoder aprenda uma estrutura espectral mais estável.

O paper relata que essa restrição imposta pelo decodificador produz um espaço latente mais organizado em frequência e mais transferível. A conclusão dos autores é que a reconstrução restrita funciona como mecanismo para moldar representação, e não como busca por qualidade de reconstrução.

Por que importa

EEG é a técnica não invasiva mais usada para registrar atividade elétrica cerebral, base de aplicações que vão de interfaces cérebro-computador a monitoramento clínico. Modelos de fundação para EEG prometem reduzir a quantidade de dados rotulados necessária para cada nova tarefa, porque o modelo é pré-treinado em grande volume de sinal bruto e depois ajustado.

A recuperação de potência espectral de seis bandas é justamente o tipo de informação que tarefas downstream consomem. O R² de 0,906 significa que um modelo linear simples consegue prever essas bandas a partir dos latentes congelados. Quando o número sobe de 0,860 para 0,906 sem mudar a arquitetura, o ganho é atribuível ao regularizador, não a mais parâmetros ou mais dados.

O resultado de R² 0,354 na dinâmica de energia de banda entre patches também importa. É a métrica que captura como a energia muda de um trecho para outro do sinal, algo mais próximo do que modelos clínicos e de BCI precisam acompanhar.

Impacto

O achado mais prático do MANAS-2 é a independência de arquitetura. Como o ConRec age só na saída do decodificador temporal, laboratórios que já treinam masked autoencoders temporais podem adicionar o regularizador sem redesenhar o modelo. O paper mostra que os efeitos aparecem inclusive quando a rede não recebe nenhum alvo espectral.

Isso reduz o custo de adoção. Em vez de trocar toda a pilha de treino, o grupo de pesquisa muda a função de perda do decodificador e mantém o restante. Para quem trabalha com bases pequenas de EEG, onde o ajuste fino é caro e demorado, latentes congelados mais informativos significam menos horas de GPU e menos anotação manual.

O contraponto é que os ganhos relatados vêm de sete datasets held-out descritos no preprint. O desempenho em sinais de outros aparelhos, outras montagens de eletrodos e outras populações ainda depende de replicação independente.

O que muda

A mudança de critério é o ponto central do MANAS-2. O alvo deixa de ser a qualidade da reconstrução e passa a ser a organização espectral do espaço latente. O paper defende que uma restrição de motivação física aplicada pelo decodificador é o caminho para chegar lá.

Na prática, isso desloca a discussão sobre modelos de fundação de EEG. Em vez de competir apenas em erro de reconstrução, a comparação passa a considerar o que os latentes congelados permitem recuperar. É uma métrica mais próxima do uso real.

O que vem agora

O MANAS-2 está disponível como preprint v1 no arXiv, submetido em 12 de setembro de 2026. O resumo do paper não informa se há código, pesos ou dados liberados junto com a publicação. Também não há indicação de aceite em conferência ou periódico até o momento.

Os próximos passos previsíveis são replicação por outros grupos, teste do ConRec em arquiteturas além das duas avaliadas no trabalho e comparação com os modelos de fundação de EEG que o MANAS-2 diz superar na maioria das tarefas de transferência downstream. O caminho natural é verificar se a restrição física mantém o ganho quando o sinal de entrada é mais ruidoso do que o dos sete datasets usados na avaliação.

Fontes

• arXiv cs.AI: MANAS-2: Constrained Reconstruction for EEG Foundation Models (arXiv:2609.13717v1, submetido em 12 de setembro de 2026) - https://arxiv.org/abs/2609.13717