NeuroWeave：用于 EEG 掩码预训练的频率分解多槽位离散目标

基于摘要分析。NeuroWeave 研究 EEG 离散掩码预训练中目标结构与目标容量的关系：将每个一秒通道片段按 delta、theta、alpha 频带分解，并为每个频带配置多个离散槽位，以避免将异质节律压缩为单一宽频离散决策。 方法上，独立 tokenizer 生成冻结的离散目标，共享的时空 Transformer 从经过掩码的宽频输入预测这些目标。其关键区别是增加可独立表示的频带与槽位，而不只是扩大单槽位码本。摘要未提供频带边界、槽位数量、码本规模、掩码策略或具体损失形式。 作者按 tokenizer 容量、掩码重建、目标频带选择和下游迁移分阶段评估。作者报告，增加槽位数对 tokenizer 保真度的提升大于扩大单槽位码本；但掩码重建显示，有用容量存在上限，且随频率变化。在匹配对照条件下，频率分解目标的低频重建优于同等规模的宽频 VQ 目标。作者报告，下游消融支持选择 delta、theta、alpha，而 beta、gamma 未带来一致收益。 作者报告，在六个数据集的所报告指标上，三频带模型均优于单槽位、宽频 VQ 和波形回归对照，并在所报告基准上达到最先进表现。摘要未列出数据集、任务、指标数值、被试规模及被试内、跨被试或跨会话划分，因此尚不能判断收益幅度与适用范围；实验协议、消融及统计信息尚未验证。代码仅声明将发布，当前可获得性尚未验证。复现时需核对目标容量匹配方式、频带处理与 tokenizer 训练细节，以及各阶段结果与下游泛化收益的对应关系。