面向 EEG 基础模型的被试感知对比学习

基于摘要分析。本文研究 EEG 基础模型过度依赖自监督重建目标的问题，提出以被试身份作为自然监督信号的被试感知对比学习方法。核心贡献是利用同一被试不同片段和会话之间的自然变化构造正样本，而非依赖数据增强生成正样本；作者称这是首个被试感知的对比式 EEG 基础模型，该优先性尚未独立核实。 方法采用受近期 Large Brainwave Foundation Models（LBMs）启发的基于 patch 的架构，预训练轻量级 Transformer 编码器。其监督依赖可关联到同一被试的多片段、多会话 EEG 数据。摘要未说明负样本构造、具体对比损失、patch 划分、模型规模或采样策略，这些细节尚未验证。 评估同时覆盖表征质量与下游任务：表征指标包括 alignment、uniformity 和 smooth effective rank，下游评估采用线性探测及全量微调。作者报告模型形成了结构良好的表征空间，并在表征质量和相对其他 LBMs 的下游表现上具有竞争力；摘要没有给出数据集、任务、被试数、划分协议或具体分数，因此不能据此确认跨被试、跨会话或跨数据集的性能优势。实验协议、消融及统计信息尚未验证。 值得核对的机制问题是：将同一被试的不同 EEG 片段拉近，究竟保留了可迁移的神经活动结构，还是主要强化了身份相关特征。平台推测（待验证）：这一目标可能有助于降低同一被试跨会话的表征波动，但也可能压缩任务相关差异；其效果取决于正样本是否跨越不同任务或状态，以及预训练和下游划分如何隔离被试。复现时应重点核对被试身份信息的使用边界、预训练与下游数据重叠情况，并在一致数据和模型配置下比较重建目标与该对比目标，而不能将表征指标改善直接等同于 BCI 解码收益。