面向长序列 EEG 建模的高效自监督框架

基于摘要分析。该研究针对 EEG 低信噪比、被试间差异及 Transformer 长序列建模计算开销较高的问题，提出自监督框架 EEGM2，将 Mamba-2 集成到 U 形编码器—解码器中，并采用联合 L1-spectral loss，兼顾时域动态与频谱特征。 核心机制是利用 Mamba-2 的选择性信息传播捕获长程依赖。作者称该框架具有线性复杂度，相较 Transformer 方法可减少内存使用并加快推理。联合 L1-spectral loss 的设计意图是同时约束时域与频域信息，但具体损失定义、权重、预训练任务、输入表示及训练流程尚未验证，不能仅凭摘要判断其信息保留效果或各组件贡献。 作者报告 EEGM2 在短序列和长序列建模中达到最先进性能，并表现出较强的 Cross-subject 泛化与跨域迁移能力。摘要未提供数据集、被试数、序列长度、划分方式、指标数值及对照基线，因此尚不能量化性能收益，也不能将跨域迁移直接等同于 Cross-dataset 或 Cross-session 结果。实验协议、消融及统计信息尚未验证。 复现时应重点核对不同序列长度下的计算量、峰值内存和推理延迟，以及对应硬件、批量大小和基线配置；同时检查 Cross-subject 划分与迁移评估条件，以区分架构效率收益和训练设置的影响。作者提供了模型与代码仓库，但仓库内容、权重及运行条件尚未核验。面向资源受限 BCI 设备的适用性是作者提出的应用判断，摘要未给出设备端实测证据。