sEEG 神经解码：考虑跨被试电极差异

基于摘要分析。该研究针对不同被试 sEEG 电极数量与植入位置不一致、难以整合数据进行联合训练的问题，提出训练框架与架构 seegnificant，通过结合电极内神经活动及电极三维位置学习时空表征，用于跨被试行为解码。 核心机制是先用卷积将各电极内的神经活动转换为 token，再沿时间维度使用自注意力提取长时依赖；随后将各电极的三维位置与 token 融合，并沿电极维度施加另一层自注意力，最后使用被试特异性输出头完成下游解码。该设计将时间建模与电极间关系建模分开，并显式纳入空间位置，为处理临床植入导致的电极异质性提供了具体路径；位置融合方式及不同电极数量的实现细节尚未验证。 作者报告，在执行行为任务的 21 名被试的合并 sEEG 数据上训练了多被试模型，并可仅凭神经数据解码逐试次反应时。作者还报告，跨个体预训练获得的神经表征能够以少样本方式迁移到新被试。摘要未给出具体任务名称、反应时解码指标、迁移样本量、数据划分或对照结果，因此不能据此量化性能增益，也不能将多被试联合训练直接等同于无适配的跨被试泛化。 复现时需核对电极坐标的配准与标准化、时间窗口及预处理、新被试的支持集与测试集划分，以及被试特异性输出头在迁移阶段的训练方式。位置输入、时间与电极自注意力各自的贡献，以及不同电极覆盖范围下的稳定性，是值得检查的证据点；实验协议、消融及统计信息尚未验证。材料明确的下游任务是行为反应时解码，尚不能外推为在线 BCI 控制性能。