Population Transformer：学习颅内神经活动的群体级表征

基于摘要分析。该研究面向多通道颅内神经记录，提出自监督框架 Population Transformer（PopT），旨在学习群体级神经活动表征，缓解电极空间分布稀疏及不同患者电极位置不一致带来的表征与解码困难。 机制上，PopT 叠加在预训练表征之上，通过可学习的聚合整合多个空间稀疏通道的信息，以增强下游任务。摘要未说明底层预训练表征的来源、自监督目标、空间位置编码方式，以及不同电极配置如何对齐，因此尚不能判断其对特定通道布局或监督信息的依赖。 作者报告，PopT 能在减少解码实验所需数据量的同时提高准确率，并在此前未见的被试与任务上获得收益。不过，摘要未提供数据集、被试数量、任务类型、数据划分、对照基线及数值，因而无法量化其 Cross-subject 泛化能力，也不能判断未见任务的适配方式。实验协议、消融及统计信息尚未验证。 除解码外，作者还对预训练 PopT 与微调模型进行解释性分析，以探索从大规模记录中学到的神经科学信息；具体解释方法及验证依据未在摘要中展开。作者称发布了预训练 PopT，但当前材料未提供权重获取方式、输入规范及复现配置，实际复用条件仍需核对。其直接研究对象是颅内神经记录，现有材料不支持将报告的收益推广为头皮 EEG 或一般 BCI 任务的已验证效果。