ALFEE：用于 EEG 表征的自适应大型基础模型

基于摘要分析。该研究针对 EEG 低信噪比、跨被试变异及跨范式差异造成的泛化困难，提出自适应基础模型 ALFEE，以混合 Transformer 架构和预训练、微调两个学习阶段构建 EEG 表征，并尝试缩小预训练与下游任务之间的域差异。 核心机制是将通道特征聚合与时间动态建模分离：通道编码器自适应压缩可变通道信息，时间编码器捕获任务引导的时间演化，混合解码器在时域和频域重建信号。预训练同时优化任务预测、通道与时间掩码重建以及时间预测，而非仅依赖单一训练目标。摘要未给出各目标的损失形式、权重、任务监督来源或掩码策略，具体实现尚未验证。 微调采用全模型适配，并引入任务特定 token 字典和 cross-attention 层。相较摘要所描述的单一损失或通道—时间联合表征方法，其设计重点在于分离空间通道与时间信息的处理，以及组合多种预训练目标；各模块的独立贡献仍需通过正文中的消融结果核对。可变通道配置是作者明确提出的适应目标，但是否覆盖通道数量变化、位置差异或缺失通道等情形，尚未验证。 作者报告，在 25,000 小时 EEG 数据上预训练后，ALFEE 在六项下游 EEG 任务中优于现有模型。摘要未列出任务名称、数据集、被试数量、被试内或跨被试等评估协议、对照基线及具体指标，因此无法据此量化提升或确认跨范式泛化范围。实验协议、消融及统计信息尚未验证。 摘要提供了实现仓库地址，但代码内容、预训练权重及数据处理流程尚未核验。复现时需重点核对预训练数据构成及其与下游数据的关系、通道配置处理方式、任务监督要求，以及全模型微调的计算成本；不能仅由预训练规模或任务数量推断其在具体 BCI 场景中的有效性。