FoME：采用自适应时序–横向注意力缩放的 EEG 基础模型

基于摘要分析。FoME 针对 EEG 信号异质性、低信噪比和标注数据有限的问题，提出结合时频融合嵌入与自适应时序–横向注意力缩放的基础模型，旨在支持不同数据流中的 EEG 表征与多通道建模。 核心机制包括 time-frequency fusion embedding 和 adaptive temporal-lateral attention scaling（ATLAS）。作者认为，两者能够协同捕获 EEG 的时序与频谱动态，并适应不同数据中的信号模式。摘要未说明时频特征的具体构造、融合方式、横向注意力的作用维度及缩放规则，预训练目标、损失函数与推理流程亦尚未验证。 预训练方面，作者报告使用包含头皮及颅内 EEG 的多样化 1.7 TB 数据，模型规模为 745M 参数，训练步数为 1,096k。具体数据集组成、被试数量、通道配置、预处理及数据划分尚未验证，不能据此推定其具备跨被试、跨会话或跨数据集泛化能力。 评估方面，作者报告在四项下游任务上开展分类与预测评估，并声称持续达到最先进结果；摘要未提供任务名称、指标数值、对照基线或评估协议，因此尚不能量化其相对优势，也不能将这一主张等同于已验证的 BCI 效果。实验协议、消融及统计信息尚未验证。 复现时需核对时频融合与 ATLAS 各自的贡献、不同 EEG 来源之间的训练与测试划分，以及下游任务的适配方式。摘要称代码将在发表时发布，但现有材料不足以确认代码或模型权重是否已经公开。