MExFormer：重新审视多通道 EEG 表征学习中的早期通道融合

基于摘要分析。该研究面向神经状态识别中的多通道 EEG 表征学习，提出 MExFormer，以逐通道、多分辨率的时间片段标记化保留通道特异性动态，再通过显式通道间自注意力融合电极信息。 核心机制：作者指出，部分多变量时间序列 Transformer 在标记化或嵌入阶段混合通道信息，而非将各通道保留为显式注意力 token，这可能限制对电极间交互的直接建模。MExFormer 独立地将每个通道划分为多个时间分辨率的局部片段，延迟通道融合，并通过三阶段层级逐步整合通道交互、时间结构和多分辨率信息。具体注意力组织、片段尺度、损失函数及训练配置尚未验证。 评估与结果：作者在 APAVA 和 TDBRAIN 两个公开 EEG 数据集上，采用被试独立（subject-independent）协议开展分类评估，同时测试损坏 EEG 输入下的鲁棒性，并用弱分类器对中间层表征进行事后评估。作者报告，在所考察的六项评估指标上，MExFormer 在 APAVA 上取得最强的总体表现，在 TDBRAIN 上保持竞争力，并表现出更好的通道损坏鲁棒性和更具判别性的中间表征。摘要未给出指标名称、具体数值、对照模型或损坏设置，因此不能据此量化提升幅度或比较不同协议下的性能。 阅读与复现重点：需核对两个数据集的分类任务、被试及数据划分、预处理、通道配置，以及早期融合与延迟融合的对照是否控制模型容量和训练预算；还应核对多分辨率与三阶段层级各自的消融、通道损坏类型与强度、弱分类器的训练和评估方式。实验协议、消融及统计信息尚未验证，代码与复现条件也尚未确认。材料支持其作为 EEG 分类表征方法的研究价值，但尚不足以推断其在具体 BCI 任务或在线系统中的有效性。