THD-BAR：用于 EEG 通用表征的拓扑层级衍生脑自回归建模

基于摘要分析。该研究针对 EEG 自回归（AR）表征学习主要依赖多通道信号的时间序列顺序、难以充分表达空间拓扑的问题，提出 THD-BAR，将多尺度通道空间次序引入自回归学习，以联合建模空间与时间动态。 核心机制是 Brain Topology Hierarchy（BTH），用于建立 EEG 通道的多尺度空间次序，并将学习目标重新表述为“下一尺度—时间预测”（next-scale-time prediction）。在此基础上，作者设计 Topology-Hierarchical Vector Quantized-Variational Autoencoder（THVQ-VAE）进行多尺度 token 化，并构建带有专门掩码策略的 Brain Autoregressive（BAR）模块执行预测。相较于摘要所描述的直接按时间排序方法，其方法特点是改变预测单元及其组织顺序，而不只是延长时间上下文。 作者报告，在 17 个数据集上进行大规模预训练后，使用覆盖 5 类任务的 10 个下游数据集开展验证，THD-BAR 持续优于现有方法。摘要未给出具体任务、数据集名称、指标数值或对照方法，也未说明评估属于被试内、跨被试、跨会话还是跨数据集，因此该结果目前只能作为作者报告的总体结论，不能据此量化泛化收益。 复现时值得重点核对 BTH 的构建依据、空间层级与时间顺序的结合方式、THVQ-VAE 的量化与重建目标，以及 BAR 掩码如何限定预测信息。预训练与下游数据的划分及重叠情况、不同通道配置下的适配方式、拓扑层级和掩码策略各自的贡献，均需阅读全文确认；实验协议、消融及统计信息尚未验证。摘要未提供代码、权重或完整训练配置，复现条件仍待核实。