Neuro-KE：通过无标签知识整合扩展 EEG 基础模型

基于摘要分析。本文研究如何将传统信号处理中的领域先验纳入 EEG 基础模型预训练，以补充原始信号重建或稀缺监督标签提供的学习信号。作者提出 Neuro-KE（Neuro-Knowledge Engine），一个即插即用的无标签知识整合框架，将多类信号特征汇集为统一知识库。 机制上，Neuro-KE 整合四类知识：Time Domain、Frequency Power、Frequency Structure 和 Frequency Ratios，即时域、频率功率、频率结构及频率比值特征。其核心思路是把既有信号分析经验转化为预训练可利用的知识，而非仅依赖原始波形重建。摘要未说明具体特征定义、知识编码方式、融合位置、损失函数，以及知识如何与模型表示对齐；“无标签”也不应被扩展解读为所有下游评估均无需标签。 作者报告，该框架可用于 Masked Modeling（掩码建模）、Contrastive Learning（对比学习）和 EEG–Large Language Models 三种技术范式，并在实验中提升模型泛化与鲁棒性，尤其有益于少标签下游任务。摘要未提供数据集、被试规模、任务类型、数据划分、对照基线或定量指标，因此尚不能判断增益对应被试内、跨被试、跨会话还是跨数据集协议，也不能据此确认其在具体 BCI 任务中的效果。 复现时应重点核对四类特征的计算与归一化方法、不同采样率及通道配置下的适配方式，以及各知识类别和预训练范式的贡献。作者所述“领域不变信号动态”是否在不同采集条件下成立，也需结合评估协议判断。实验协议、消融及统计信息尚未验证；代码、预训练权重和计算成本在所给材料中亦未明确。