BrainPro：面向大规模脑状态感知 EEG 表征学习

基于摘要分析。BrainPro 针对跨数据集通道配置不同导致的空间表征不一致，以及共享表征难以充分刻画脑状态特异性活动的问题，提出结合检索式空间学习与脑状态解耦的大规模 EEG 模型，旨在改善空间对齐和多任务下游解码。 核心机制包括两部分：检索式空间学习机制用于跨通道布局的空间对齐；脑状态解耦模块通过并行编码器和区域感知重建，学习共享表征与状态特异表征。作者认为，现有基于 self-attention 的 EEG 基础模型对位置特异信息的保留和不同通道配置的对齐存在局限，而脑状态既包含共享活动，也包含状态特异的区域活动。摘要未披露检索对象、空间位置编码、脑状态定义、监督来源、重建目标及损失形式，具体实现尚未验证。 作者报告，BrainPro 在大规模 EEG 语料上预训练后，在九个公开 BCI 数据集上取得作者所称的最先进性能，任务涵盖情绪、运动、言语、压力、精神疾病和注意力。摘要未列出数据集名称、被试数、指标数值、对照模型及被试内、跨被试、跨会话或跨数据集划分，因此尚不能量化收益或比较不同协议下的效果，也不能仅据任务覆盖范围判断其跨任务泛化能力。 作者报告，空间滤波器分析、通道丢弃鲁棒性分析和编码器贡献分析支持空间对齐与状态感知路径的有效性，并表明学习到的空间模式具有更好的可解释性。相关分析的评价标准、消融设置及统计信息尚未验证。复现时应重点核对预训练与下游数据的划分关系、通道布局处理、状态信息使用方式，以及各模块在相同训练条件下的独立贡献；模型规模、预训练语料构成、计算需求和代码或权重可用性也需由全文或公开资源确认。