通过语言对齐半监督学习实现异构 EEG 信号建模的统一基础模型

基于摘要分析。该研究针对异构 EEG 数据集标注可用性不一、任务监督难以统一的问题，提出 USEA：将 EEG 建模表述为语义引导的自回归表征学习，在统一优化框架中联合利用全标注、少量标注和无标注数据，而不依赖任务专属分类头。 有标注时，USEA 使用冻结语言模型编码标签描述，将其作为语义目标，通过余弦相似度对齐 EEG 表征；无标注时，则以自监督方式自回归重建 EEG token 表征。其核心区别在于把语义监督与无标注表征学习纳入同一训练框架，而非严格分离无监督预训练和监督微调两个阶段。摘要未提供两类训练目标的具体损失形式、权重或数据混合策略。 骨干采用基于 Dynamic Tanh（DyT）的无归一化 Transformer。作者将这一设计用于降低模型对数据集特定激活统计的敏感性，同时保留 EEG 幅值信息，以改善优化稳定性和跨数据集稳健性；这些作用仍需结合正文中的消融与幅值处理流程核对，不能仅凭设计动机视为已验证收益。 作者报告在覆盖不同范式与记录配置的九个公开 EEG 数据集上，相较最先进基线取得有竞争力的表现。摘要未列出数据集名称、被试数、指标数值、标注比例及数据划分，因此尚不能判断结果属于被试内、跨被试、跨会话还是跨数据集评估，也不能将“有竞争力”解释为全面优于基线。 复现时需核对标签描述与语言模型的具体设置、异构通道及采样率的处理、EEG token 构造方式，以及语义对齐、自回归重建和 DyT 的独立贡献。实验协议、消融及统计信息尚未验证，代码与权重可用性亦尚未验证。