从无标注数据构建用于 Transformer EEG 分类的预训练数据集

基于摘要分析。该研究针对 EEG 专家标注成本高、Transformer 训练所需标注数据不足的问题，提出从无标注 EEG 数据构建多个带标签数据集，用于预训练 Transformer 并学习 EEG 信号表征。论文的具体验证对象是癫痫发作预测，而非直接的 BCI 控制任务。 方法上，作者将无标注 EEG 转化为可用于预训练的数据集，再在目标任务上微调。摘要将这一流程置于自监督学习背景下，但未说明标签如何构造、预训练任务是什么，以及所用损失、采样方式和训练流程，因此尚不能判断其表征学习机制或各预训练数据集的作用。 作者在 Temple University Seizure Detection Corpus 上使用 Multichannel Vision Transformer，与未预训练模型比较。作者报告，在该癫痫发作预测任务中，预训练使微调时长减少超过 50%；Accuracy 从 90.93% 提升至 92.16%，AUC 从 0.9648 提升至 0.9702。这些结果仅适用于摘要所述任务与对照，不能外推为其他 EEG 分类或 BCI 任务的已验证收益。 摘要未提供被试数、数据划分、是否采用被试内或跨被试评估、预测时间窗口、类别分布及重复实验信息，实验协议、消融及统计信息尚未验证。复现时需核对预训练数据构造规则、预训练与评估数据的关系、微调时长的计时范围，以及预训练本身的计算成本；微调加速并不直接等同于总训练成本降低。当前材料不足以确定具体可复用模块，不据此提出 BCI 迁移方案。