跳到正文
只看表征与基础模型#低信噪比
9月19日周六
  1. OpenReview · EEG73

    超越 patch 级 EEG 重建：用于 EEG 解码的对比预训练与多尺度卷积 Transformer

    基于摘要分析。研究针对低信噪比及多时间尺度采样点依赖下，原始 EEG 信号分词与掩码重建预训练是否最优的问题，提出结合对比预训练、多尺度采样点级卷积和 Transformer 编码器块的 CoCoT-EEG，并通过消融实验与机制分析考察架构及预训练目标的影响。 核心思路是将对比学习作为 EEG 自监督预训练的替代路径，同时通过多尺度卷积提取采样点级特征。与围绕 patch 进行重建的方案相比，该研究关注跨 patch 边界的特征提取及较长卷积核，以处理不同时间尺度的信号依赖。摘要未提供对比样本构造、数据增强、损失形式、卷积尺度、模型规模及训练流程，这些实现细节尚未验证。 作者报告，CoCoT 在具有异质实验配置的广泛基准解码任务上达到 state-of-the-art 表现；消融与机制分析支持对比预训练、跨 patch 的采样点级特征提取及较长卷积核带来收益。不过，摘要未列出数据集、任务名称、被试数量、被试内或跨被试等划分协议、对照基线及指标数值，因此尚不能判断提升幅度、跨场景稳定性或各设计因素的独立贡献，也不能直接比较不同实验协议下的结果。 复现与评估应优先核对：预训练和下游数据的划分关系，对比学习正负样本与增强策略的定义，以及比较预训练目标时是否控制架构、数据规模和训练预算。对于低信噪比 EEG，还需核对所学表征是否保留任务相关信息，以及跨被试、跨会话和通道配置变化下的表现。具体实验协议、消融及统计信息尚未验证；摘要中的积极结果不应扩大为对所有 EEG 解码场景均有效的结论。

    阅读价值：值得阅读其对预训练目标与架构的分离分析：作者报告对比预训练、跨 patch 的采样点级特征提取及较长卷积核有益于 EEG 解码，但具体收益与适用协议仍需全文核对。

3月2日周一
  1. OpenReview · EEG69

    平衡潜在语义与信号保真度的 EEG 表征学习

    基于摘要分析。该研究针对 EEG 低信噪比与被试差异带来的表征学习困难，提出基础模型 STELAR，通过双空间目标兼顾潜在语义稳定性和原始信号保真度，并使用 MTPE-GB 自适应平衡两类任务。 核心机制：作者认为，依赖原始信号重建的现有基础模型容易过拟合局部噪声。STELAR 将 patch 级掩码潜在预测与掩码信号重建结合，前者用于学习稳定语义，后者用于保留原始信号信息。摘要未说明潜在预测目标如何生成、掩码策略、编码器结构或具体损失形式，这些细节尚未验证。 任务平衡：MTPE-GB 被描述为验证驱动的梯度平衡器，可自适应调整任务权重。作者声称该机制不需要手工调参，也不增加计算开销；其验证信号来源、权重更新规则及开销核算范围需由全文确认。 结果与边界：作者报告，STELAR 在多个 EEG 基准的线性探测评估中达到最先进表现，并据此主张模型具有稳健泛化能力。摘要未提供数据集名称、被试规模、划分方式、对照基线或具体指标，因此尚不能确定这些结果对应被试内、跨被试、跨会话还是跨数据集泛化，也不能据此推断端到端微调或临床诊断效果。实验协议、消融及统计信息尚未验证。 复现重点是核对双目标相对单独重建或单独潜在预测的贡献，以及 MTPE-GB 相对固定权重的收益与实际计算成本。作者表示将发布全部源代码，但当前材料不足以确认代码已经公开。

12月31日周三
  1. OpenReview · EEG69

    用于长序列 EEG 建模的高效自监督框架

    该研究针对 EEG 低信噪比、高被试间差异及 Transformer 长序列建模的计算开销，提出自监督框架 EEGM2，通过结合 Mamba-2 的 U 形编码器—解码器与联合 L1-spectral 损失，兼顾长程依赖建模和时频特征保留。以下基于摘要分析，未取得论文全文。 核心机制方面，摘要称 Mamba-2 的选择性信息传播机制有助于捕获长程依赖，并使框架达到线性复杂度。联合 L1-spectral 损失用于保留时间动态与频谱特征，但其具体形式、权重配置、频谱计算方式及自监督任务构造尚未验证，不能据此认定采用了掩码建模或特定重建协议。U 形结构与 Mamba-2 的具体组合方式也需查阅全文。 结果方面，作者报告 EEGM2 在短序列与长序列建模中达到领先性能，并具备较强的跨被试泛化与跨域迁移能力；同时报告内存占用降低、推理加快。摘要未提供数据集、被试数、序列长度、划分方式、基线、指标或数值，因此这些结论目前只能作为作者报告，不能量化优势，也不能将跨域迁移直接等同于跨数据集评估。实验协议、消融及统计信息尚未验证。 复现时应重点核对：线性复杂度对应的计算范围与实际序列长度；相同硬件、批量大小和精度下的内存与推理开销；跨被试评估中的预训练与下游数据划分；以及 Mamba-2 和 L1-spectral 损失各自的贡献。摘要提供了模型与代码地址，但其可访问性、配置完整性及结果可复现性尚未验证。面向资源受限 BCI 设备的适用性是作者提出的应用判断，实际设备上的延迟、内存和功耗表现仍需核对。

9月11日周四
  1. OpenReview · EEG78

    EEG-X：设备无关且噪声鲁棒的 EEG 基础模型

    基于摘要分析。EEG-X 针对记录设备与配置差异导致的跨数据集变化，以及 EEG 低信噪比问题，提出结合通道空间位置编码、噪声感知掩码重建和特征空间重建损失的 EEG 基础模型，旨在学习更具跨域适应性与噪声鲁棒性的表征。 核心机制包括三部分：其一，基于位置的通道嵌入编码空间信息，使模型能够处理不同通道数量、通道组合和记录长度。其二，在原始空间与潜在空间采用噪声感知掩码—重建策略；与重建原始含噪 EEG 的做法不同，重建目标来自伪迹去除后的信号，作者意图借此使表征更关注神经活动而非噪声。其三，dictionary-inspired convolutional transformation（DiCT）层在计算重建 MSE 损失前，将信号投影至结构化特征空间；作者认为该设计可降低噪声敏感性，并捕捉频率与波形形状相关的相似性。具体去伪迹流程、掩码规则、DiCT 实现及各目标的组合方式尚未验证。 作者报告，在来自不同设备的数据集及多个下游 EEG 任务上，EEG-X 优于所比较的现有先进方法，并在预训练与下游数据电极布局不同的跨域设置中表现突出。摘要未提供数据集名称、任务明细、被试数量、划分方式、指标或数值，因此不能据此量化收益，也不能将这里的跨域结果直接等同于跨被试或跨会话性能。 复现时值得核对位置嵌入对通道坐标的依赖、去伪迹处理是否保留任务相关信号，以及各模块在不同设备与电极布局下的独立贡献；这些属于待核对事项，而非已确认的缺陷。摘要提供了模型与代码入口，但其可用性、训练配置、实验协议、消融及统计信息尚未验证。

    阅读价值：值得核对和复现的是 EEG-X 将位置编码、去伪迹重建目标与 DiCT 特征空间损失结合，以应对电极布局差异和低信噪比；作者报告的跨域优势仍需结合完整实验协议验证。