M²-EEG：用于扩展 EEG 基础模型时间范围的 Macro–Micro 预训练范式

基于摘要分析。M²-EEG 针对 EEG 基础模型主要围绕短局部片段预训练与评估、独立窗口编码难以感知记录其他部分上下文的问题，提出 Macro–Micro 预训练范式，将波形分辨率与时间覆盖范围分开建模，面向整段记录的表征学习与解释。 核心机制是以高分辨率 Micro 路径保留局部波形证据，以较低带宽的 Macro 路径建模整段记录上下文，再通过对齐融合，在一次完整记录的骨干网络前向计算中生成具有上下文感知能力的时间表征和记录级表征。预训练使用经质量控制的 5,300 小时 EEG 语料，依次推进局部表征学习、长上下文建模与 Macro–Micro 联合适配，并使用统一的一组多尺度频谱预测目标。路径的具体实现、对齐融合方式及损失形式尚未验证。 作者报告，在六个长上下文 EEG 数据集上，以冻结表征和对齐的下游读出进行比较，M²-EEG 优于所比较的 EEG 基础模型；同一完整骨干网络仍保持较强的短窗口迁移能力。作者还报告，在保持局部 EEG 证据不变的受控上下文跨度实验中，扩展上下文支持能够改善预测。摘要未提供数据集名称、任务、被试数、划分方式、指标数值及基线清单，因此不能量化增益或将结果归入特定的被试内、跨被试或跨会话协议。 阅读重点是区分长上下文本身的贡献与预训练规模、表征维度及下游读出等因素的影响，并核对上下文跨度、计算与内存开销、质量控制流程及短窗口迁移协议。实验协议、消融及统计信息尚未验证，代码与权重可用性亦尚未验证。摘要支持其作为长记录 EEG 表征学习方法的研究价值，但不足以证明其在特定 BCI 任务或实时场景中的有效性。