BrainPro：面向大规模脑状态感知 EEG 表征学习

基于摘要分析。BrainPro 针对不同通道配置下 EEG 空间表征难以对齐，以及共享表征不足以刻画脑状态特异区域活动的问题，结合检索式空间学习机制与脑状态解耦模块，旨在学习兼具跨布局一致性和状态感知能力的 EEG 表征。 核心机制：作者认为，现有基于自注意力的 EEG 基础模型难以充分保留位置特异信息并对齐不同通道配置。BrainPro 使用检索式空间学习实现跨布局空间对齐，再通过并行编码器与区域感知重建，学习共享及状态特异表征。摘要未说明检索对象、空间位置编码、编码器结构、状态监督来源或重建损失形式，这些实现细节尚未验证。 结果与证据：在大规模 EEG 语料上预训练后，作者报告 BrainPro 在九个公开 BCI 数据集上取得 SOTA 表现，任务涵盖情绪、运动、言语、压力、精神疾病及注意力。摘要未提供数据集名称、预训练规模、数据划分、被试内或跨被试等评估协议、对照模型及具体指标，因此尚不能判断优势幅度或跨协议可比性。作者还报告了空间滤波器、通道丢弃鲁棒性及编码器贡献分析，并据此认为空间对齐和状态感知路径有效，所学空间模式具有更好的可解释性。 复现核对重点：需确认不同通道布局的表示及检索流程、共享与状态特异路径的训练约束、预训练与下游数据的关系，以及各任务的划分和指标。通道丢弃测试能否支持真实跨设备布局变化下的泛化、空间模式可解释性的评价依据，也需结合全文判断。实验协议、消融及统计信息尚未验证；代码与预训练权重的可用性亦尚未验证。