BIOT：面向真实环境跨数据学习的生物信号 Transformer

基于摘要分析。该研究针对 EEG、ECG 及人体活动传感信号在通道配置、样本长度和缺失值方面的差异，提出 Biosignal Transformer（BIOT），旨在支持多数据集预训练，并迁移至不同格式的下游生物信号任务；其主要研究对象是异构生物信号学习，而非专门的 BCI 控制任务。 核心机制是将每个通道分别切分为包含局部信号特征的固定长度片段，把片段作为 token 重排成统一的长“句子”，再加入通道嵌入与相对位置嵌入，以保留时空信息。作者将这种表示作为处理通道不匹配、可变长度和缺失值的基础。摘要未说明局部特征的具体提取方式、缺失值处理规则、预训练目标及训练规模，这些实现细节尚未验证。 作者报告，在 EEG、ECG 和人体活动传感信号的评估中，BIOT 优于所比较的基线，并支持不同格式数据集之间的学习。以 CHB-MIT 癫痫检测任务为例，作者报告未预训练的 BIOT 相对基线在 Balanced Accuracy 上提升 3%，利用其他数据源预训练后可进一步获得最高 4% 的提升。摘要未明确这些数值是相对百分比还是百分点，也未提供具体基线、数据划分或被试内／跨被试协议，因此不能据此与其他研究直接比较。实验协议、消融及统计信息尚未验证。 材料提供了公开代码仓库，可用于核对分段、通道编码及跨数据集预训练实现。平台推测（待验证）：统一 token 表示可能有助于缓解 EEG 数据之间的通道和记录长度差异，但用于 BCI 时仍需检验不同通道的语义对应、采样率适配，以及低信噪比和小样本条件下的稳定性。一个可检验的小实验是在固定跨被试划分下，对比从头训练与异构 EEG 预训练后的 BIOT，并加入受控通道缺失，观察预训练收益及性能退化；这不是论文已验证的 BCI 结论。相关 BCI 迁移工作尚未检索确认。