更干净生物信号的价值：高保真神经压缩器实现从较干净 iEEG 到较嘈杂 EEG 的迁移

基于摘要分析。本研究关注信噪比不同的 iEEG 与 EEG 如何影响深度学习信号压缩及跨模态迁移，提出用于两类信号的高保真神经压缩器 BrainCodec。其主要贡献是比较不同训练数据来源对 EEG 重建的影响，并结合下游任务与专家评估检验压缩信号的保真度。 方法与对照：作者将直接测量脑内电活动、信噪比较高的 iEEG 与较嘈杂的头皮 EEG 作为训练来源。作者报告，在 iEEG 上训练 BrainCodec 后迁移至 EEG，其重建质量优于直接在 EEG 上训练；同时使用 EEG 与 iEEG 训练也能改善 EEG 重建保真度。摘要未交代压缩器架构、损失函数、编码表示，以及迁移是否需要微调，因此不能据此确定性能改善的具体机制。 结果与验证：作者报告，BrainCodec 在 iEEG 和 EEG 上可实现最高 64 倍压缩而未出现明显质量下降，并在最终压缩比和重建保真度上超过所比较的现有压缩模型。该数值对应的具体数据、编码设置、质量指标及对照模型尚未验证。作者还用标准深度学习模型执行癫痫发作检测和运动想象分类，报告压缩重建信号未导致下游任务性能下降；另有一名神经科专家的主观评估支持其在现实场景中的重建质量。这些结论尚不能外推为所有 EEG/BCI 任务或所有压缩设置下均无损。 复现与适用边界：摘要提供了代码仓库，但数据集、被试数量、被试内或跨被试划分、训练数据规模、任务指标、消融及统计信息尚未验证。复现时需核对不同训练来源的数据量与预处理是否可比，以及下游评估的划分和压缩设置；专家评估的流程与适用范围也需结合全文确认。作者据此提出高信噪比数据有利于医学时间序列模型的结论，其普适性仍需更多数据与任务验证。