MEG-GPT-2：具有结构化神经表征的 MEG 生成式基础模型

基于摘要分析。该研究针对神经时间序列基础模型主要依赖下游任务评估、所学表征保真度仍不明确的问题，提出 MEG-GPT-2：在源空间 MEG 数据上训练的生成式基础模型，并通过生成与表征层面的分析考察其是否学习到具有神经科学意义的结构。 方法上，MEG-GPT-2 采用仅解码器 Transformer，以自监督自回归目标训练，并使用分解式通道—时间注意力。摘要未说明通道与时间维度的具体分解方式、输入表示、预测粒度或上下文长度，相关实现细节尚未验证。 作者报告，在训练后分析中，模型能够捕捉脑活动的时间动态与频谱结构，编码具有解剖学意义的空间组织，并部分恢复基于幅度的功能连接。与此同时，作者报告模型对相位敏感的通道间依赖建模仍不充分，提示短上下文条件下捕捉高阶动态存在局限。这些结果来自摘要所述的生成与表征分析，不应等同于已验证的 BCI 解码性能。 研究的主要贡献是将评估重点从下游任务表现扩展到所学神经表征的有效性，并揭示不同类型通道间关系可能呈现不同的建模水平。摘要未提供数据集、被试规模、数据划分、对照模型、量化指标及统计结果；实验协议、消融及统计信息尚未验证，代码与权重的可用性也尚未验证。其对 EEG 或其他 BCI 场景的适用性不能由当前 MEG 结果直接推出。