Brain-Token Learning：用于长时程 EEG 序列建模的基于微状态的 token 化与多尺度交互

基于摘要分析。该研究针对长时程 EEG 的时间复杂性、跨被试变异及具有生物学意义的序列表征不足，提出 Brain-Token Learning：以微状态衍生的变长 brain token 组织 EEG，再通过多尺度交互联合建模全局脑状态背景与局部状态转移。 核心机制是 Brain Tokenization。与固定窗口或 patch 划分不同，每个 token 对应一个准稳定的大尺度脑状态，其持续时间可变，旨在避免人为时间边界切断内在脑状态动态。后续交互模块包含 Latent State Aggregation 与 State Transition Modeling，分别面向全局状态背景和局部微状态转移。摘要未提供微状态提取、token 编码、模块实现、损失函数及训练流程，具体机制尚需全文核对。 作者报告，在五个异质 EEG 数据集上开展评估，包括新采集的长时程 NeuroLong，以及情感或临床 EEG 数据集 SEED、DEAP、MDD、NSSI；相较常规 CNN/LSTM、Transformer 模型及域适应方法，Brain-Token 在所评估场景中持续取得更优表现。作者还报告，进一步分析支持微状态 token 化与多尺度交互对稳健、可解释 EEG 表征的作用。摘要未列出具体任务、指标、数值、被试规模及被试内、跨被试或跨会话划分，因此不能据此判断提升幅度或认定跨被试泛化已得到验证。 复现时需重点核对微状态模板的构建及其训练与测试边界、不同数据集的通道与预处理适配、变长 token 的处理方式，以及对照模型的输入时长和训练条件。可解释性证据、组件消融及统计信息尚未验证；新采集 NeuroLong 的访问条件与代码可用性也尚未验证。该摘要支持将其视为 EEG 序列表征方法，但尚不足以确认其在具体在线 BCI 任务中的有效性。