Neuro-GPT：迈向 EEG 基础模型

基于摘要分析。该研究针对 BCI 任务中 EEG 数据稀缺与异质性问题，提出由 EEG 编码器和 GPT 模型组成的基础模型 Neuro-GPT，通过大规模数据上的自监督预训练，再微调至运动想象分类任务，探索预训练在低数据条件下的价值。 核心机制是以重建被掩码的 EEG 片段作为自监督任务，使模型在下游分类训练前学习 EEG 表征。摘要明确了 EEG 编码器与 GPT 模型的组合，但编码器结构、两者的连接方式、掩码策略、重建目标与损失形式尚未验证；预训练数据集名称、规模及通道配置也未在所给材料中说明。 作者报告，在包含 9 名被试的低数据运动想象分类实验中，使用基础模型相比从头训练可显著改善分类表现，并将其解释为模型泛化能力及应对数据稀缺与异质性的证据。摘要未提供具体指标、分数、效应大小或统计检验信息，也未明确属于被试内、跨被试还是跨会话评估，因此不能据此确认跨被试或跨数据集泛化效果。 复现价值在于检验自监督预训练是否能在有限下游 EEG 数据下产生稳定收益。作者提供了公开代码；进一步核对需结合全文与实现确认预训练和下游数据的关系、数据划分、微调配置，以及从头训练对照的模型容量与训练预算。实验协议、消融及统计信息尚未验证，代码完整性与复现所需的数据、计算资源也有待核查。