FUSE：通过自监督学习在共享嵌入中融合 EEG-MEG，用于 BCI

基于摘要分析。该研究面向运动想象（MI）BCI，提出两阶段 EEG-MEG 多模态框架，以自监督学习获得共享表征，再将表征用于下游分类，旨在分离表征学习与任务分类，并探索跨被试复用能力。 第一阶段使用卷积编码器—解码器，从 EEG 和 MEG 的时域活动预测功率谱密度（PSD），而非采用常规的输入信号重建目标。第二阶段冻结编码器，不再对其适应，将学得的表征用于 MI 分类。其关键方法差异在于用频谱预测约束潜在表征；具体融合位置、损失形式及下游分类器配置尚未验证。 作者报告，在 20 名参与者的同步 EEG-MEG 记录上，学习表征对应的分类 Accuracy 中位数为 0.794，传统手工频谱特征为 0.734。多模态框架的 Accuracy 中位数为 0.794，MEG 单模态为 0.680，EEG 单模态为 0.765。上述结果支持在该评估条件下融合优于单模态，但摘要未说明这些比较的具体被试内或跨被试划分，不能推广为所有解码协议下的收益。 跨被试评估方面，作者报告，超过一半的跨被试模型与相应被试特异模型的 Accuracy 差距在 0.01 以内。该结果提示表征可能具有跨个体复用价值，但训练与测试被试如何隔离、表征学习阶段使用哪些数据，以及迁移比较的具体构建方式均需全文核对。 目前证据限于摘要。实验协议、消融及统计信息尚未验证，尤其需确认各方法的训练与评估条件是否一致、融合增益在参与者间的分布，以及 PSD 预测目标相对时域重建的独立贡献。该工作可视为面向 MI-BCI 的自监督多模态表征研究，摘要尚不足以确认其具备通用 EEG 基础模型能力。