面向样本高效神经接口的预训练

基于摘要分析。该研究针对 BCI 神经解码器在新被试上通常需要大量标注数据的问题，提出自监督预训练方法 MAPA，尝试从跨被试积累的无标注 iEEG 记录中学习可迁移表征，以降低新被试的标注成本。 核心机制是在常规 masked autoencoder 中加入两种空间编码：解剖脑区嵌入与相对位置编码。研究所针对的关键困难是不同被试的电极触点位置及神经解剖结构存在差异；作者认为，两种编码结合有助于表征迁移至未见被试及不同任务。摘要未提供掩码策略、重建目标细节、空间编码构造方式或预训练数据规模，这些实现条件尚未验证。 作者报告，MAPA 在 Neuroprobe benchmark 的会话内、跨会话和跨被试三种评估设置中，均在不微调预训练模型的条件下取得新的最佳结果。在跨被试设置中，基于 MAPA 特征的线性探针约需 164 个标注试次，即可达到无预训练条件下使用 3,500 个标注试次的 Accuracy 水平。摘要未给出该 Accuracy 的具体数值；不微调预训练模型也不意味着无需训练线性探针。 上述结果支持作者关于异质 iEEG 记录可用于自监督预训练、并改善新被试标注效率的结论，但其适用范围仍需核对。尤其需要确认预训练与评估被试的隔离方式、任务及被试构成、标注试次采样方式、无预训练基线配置，以及各设置下的消融和统计信息；这些内容尚未验证，不能据摘要推断其在其他 EEG 模态或临床使用条件下同样有效。