在 EEG 的原生坐标中学习其结构：算子预条件化多视图预训练

基于摘要分析。本文研究 EEG 基础模型的“特征空间失配”：生理结构虽存在于信号中，但在有限数据、模型容量、优化与读出预算下，可能难以被学习到的表征暴露和利用。作者提出算子预条件化，先显式计算结构感知的 EEG 测量，再通过自监督学习这些测量在相应特征空间中的组织方式，并将其实现为多视图 EEG 基础模型 OpView。 核心机制不是增加信号信息，而是通过确定性的特征空间变换，使已有结构更易被有限资源的学习器利用。OpView 包含分别独立预训练的 waveform、spectral、cross-spectral、spatial 和 dynamical 视图；作者提出，可按不同任务族所需的结构与不变性替换或扩展算子。摘要未提供具体算子定义、多视图融合方式、自监督目标、训练规模或下游读出设置。 作者报告，在所评估的一项已知生理变化的读取任务中，一个无需学习的算子比所评估 EEG 基础模型的前端乃至预训练编码器更准确；该结果的任务、指标和数值尚未验证。作者还采用仅算子、匹配的随机编码器和预训练编码器对照，以区分测量、架构与学习的贡献，并报告 OpView 在 EEG-FM-Compass 评估协议下的多个 EEG 范式中表现良好。摘要未给出具体范式、数据集、被试数、划分、基线或分数，不能据此判断各协议下的优势幅度。 复现时应重点核对算子的生理含义、随机编码器的匹配条件、各视图的独立贡献及组合方式，以及不同下游任务中的训练和读出预算是否可比。跨被试、跨会话、通道配置变化与小数据条件下的稳定性尚未验证；实验协议、消融及统计信息也需全文确认。该工作直接面向 EEG 表征学习，但摘要中的多范式结果不能替代对具体 BCI 使用场景有效性的验证。