NeurIPT：面向神经接口的基础模型

基于摘要分析。NeurIPT 针对 EEG 解码中的跨被试、跨任务、跨条件差异及电极配置不一致问题，提出面向 EEG 神经接口的预训练 Transformer 基础模型，结合时间表征学习与空间结构建模，以支持多样化下游 BCI 任务。 时间建模方面，Amplitude-Aware Masked Pretraining（AAMP）依据信号幅度选择掩码，而非采用随机时间区间掩码；作者意图是使模型学习适应不同信号强度的表征，减少对局部插值的依赖。模型还采用渐进式 Mixture-of-Experts（MoE），在更深层逐步引入专门化专家子网络，以适应 EEG 时间特征的多样性。摘要未提供幅度选择规则、掩码比例、预训练目标或专家路由细节，这些实现条件尚未验证。 空间建模方面，NeurIPT 使用电极的三维物理坐标，以支持不同 EEG 记录配置间的迁移，并在微调阶段引入 Intra-Inter Lobe Pooling（IILP），利用脑区层面的特征。其空间贡献需要通过正文核对坐标编码、脑区划分及池化方式，并确认不同通道数量、布局和缺失通道条件下的适用范围。 作者报告，在九个下游 BCI 数据集上，通过微调和从头训练两类评估，NeurIPT 持续取得最先进性能。摘要未列出数据集名称、任务、被试数、指标、具体分数及对照基线，也未明确被试内、跨被试或跨会话划分，因此不能据此量化收益，或将其泛化主张直接解释为特定协议下的已验证结果。 复现时需核对预训练数据及其与下游数据的关系、评估划分、基线训练条件，以及 AAMP、渐进式 MoE、电极坐标和 IILP 的独立贡献。实验协议、消融及统计信息尚未验证；代码、权重与完整训练配置的可获得性也尚未确认。