通过 Summary Tokens 学习人类颅内记录的紧凑时空表征

该研究针对人类 iEEG 中电极位置不规则、不同下游任务所需空间尺度不同带来的迁移困难，提出分解式时空掩码自编码器，在保留通道级 tokens 的同时，通过预训练学习紧凑的时间与空间汇总表征。基于摘要分析，未取得论文全文。 核心机制包含两类互补的 summary tokens：temporal summary tokens 汇聚单个通道内的信息，spatial summary tokens 汇聚跨通道信息。预训练通过信息瓶颈约束重建必须经过这些汇总 tokens，从而显式促使其编码时间结构与群体层面的信号结构。摘要未提供具体掩码策略、损失形式及信息瓶颈的实现细节。 作者将研究动机与既有 iEEG 基础模型作对照：后者通常在预训练中保留通道级结构，却将跨通道汇聚留给标注有限的下游适配阶段；本研究则将汇总表征的学习前移至预训练。作者报告，在多种 iEEG 下游任务上，显式训练汇总表征改善了不同空间需求任务的迁移，并且这些表征包含任务相关信息，能够选择性汇聚对解码有贡献的通道信号。 摘要未列出数据集、被试数、任务名称、数据划分、对照模型或定量指标，因此不能确认结果对应何种跨被试或跨任务评估协议，也无法比较增益大小。复现时需核对预训练与下游数据的划分、不规则电极布局的表示方式、两类汇总 tokens 的独立贡献，以及选择性通道汇聚的验证依据；实验协议、消融及统计信息尚未验证。该工作直接研究 iEEG 表征学习，但摘要不足以支持其在头皮 EEG 或实际 BCI 系统中的有效性。