MANAS-2：面向 EEG 基础模型的约束重建

基于摘要分析。MANAS-2 针对低信噪比 EEG 的掩码重建质量未必对应有效潜在表征的问题，将 Raw-Band Hybrid（RBH）掩码自编码器与 Constrained Reconstruction（ConRec）正则项结合，通过解码端约束引导表征学习，而非仅优化波形重建。 RBH 联合重建时域波形片段与紧凑的频带目标；ConRec 仅作用于时域解码器输出，惩罚重建波形中相邻短时窗之间 RMS 能量的差异。作者希望这一受物理启发的约束，使编码器更倾向于组织振荡包络信息。它并非直接约束潜在空间，也不能仅凭摘要将其等同于完整的生理动力学约束。 作者报告，在七个留出 EEG 数据集上，相较于其余设置相同的 RBH 模型，加入 ConRec 后，利用冻结潜在表征进行岭回归恢复六频带功率的平均 R² 从 0.860 提升至 0.906，恢复片段间频带能量动态的 R² 从 0.283 提升至 0.354，同时潜在表征仍能较好地恢复时域波形信息。这些结果衡量的是表征中的信息可恢复性，不能直接视为 BCI 分类性能提升。 作者还报告，将 ConRec 用于不接收频谱目标的纯时域掩码自编码器，也能改善冻结表征的下游迁移及频率相关潜在空间几何，并据此主张该约束的作用不依赖特定架构；目前摘要给出的证据范围是 RBH 与纯时域模型。作者称 MANAS-2 在多数下游知识迁移任务上优于领先 EEG 基础模型，但未提供具体任务、指标及基线数值。 复现时需核对短时窗与片段定义、正则权重及联合训练设置，并区分频谱信息可恢复性与实际任务收益。七个留出数据集的身份、预训练与评估划分、被试及会话隔离方式、完整消融、统计信息和代码可用性尚未验证。