UniEEG：通过逐电极时频预训练推进通用 EEG 表征

UniEEG 针对面向特定任务收集数据、训练模型所带来的 EEG 性能与泛化限制，提出逐电极时频预训练方法，旨在从多来源数据中学习可用于不同 EEG 任务的通用表征。基于摘要分析，未取得论文全文。 数据与核心机制：作者汇集了近 20 个公开 EEG 数据集，覆盖 6 类 EEG 任务；摘要未列出具体数据集及任务名称。数据经标准化后拆分为单电极信号输入，以适配不同采集设备和任务范式。方法结合时频变换，并使用编码器—解码器架构，在时频维度实施掩码建模。作者将时频处理与应对信号噪声及时间延迟联系起来，但具体变换、掩码策略、重建目标和损失形式尚未验证。 下游使用：微调阶段将多电极 EEG 信号整理为单电极输入，通过预训练编码器和额外预测模块获得任务预测。摘要没有说明不同电极表征如何聚合，以及电极位置或空间关系如何参与预测；这些是判断逐电极设计能否兼顾通道兼容性与多通道信息利用的关键核对项。 结果与证据边界：作者报告 UniEEG 在不同 EEG 任务上取得最先进性能，并将其称为首个逐电极时频预训练模型；摘要未提供指标、分数、对照方法或评估划分，因此不能据此确认跨被试、跨会话或跨数据集的泛化优势。实验协议、消融及统计信息尚未验证，尤其需核对预训练与下游评估数据的关系、通道处理方式，以及单电极拆分和时频建模各自的贡献。 复现条件：作者表示代码、数据和模型将在论文接收后提供；这不代表材料已公开或论文已接收。当前复现仍需确认数据清单、预处理流程、训练配置、微调协议及实际发布状态。