TRACE：用于 EEG 表征学习的时间路由与自回归跨通道专家

基于摘要分析。TRACE 针对 EEG 多通道耦合与非平稳时间动态带来的可迁移表征学习难题，提出自回归预训练框架：根据已观测历史预测未来 EEG 片段，并通过时间自适应、跨通道一致的专家路由分配计算。 核心机制是在每个时间步根据跨通道历史生成专家路由决策，再将该决策共同应用于该时间步的所有通道。与沿时间采用统一计算或对各通道片段独立路由的方式相比，这一设计旨在保留同一时刻的跨通道一致性，同时让不同时间动态模式激活不同计算。摘要未披露专家结构、路由实现、预测损失、片段构造及训练规模，相关细节尚未验证。 作者称，路由基于可用通道集合与时间历史定义，因此框架兼容通道数、montage、序列长度及记录领域不同的语料联合预训练。这是关于异构 EEG 预训练适用性的设计主张；具体通道表示、不同 montage 的处理方式及其适用边界仍需全文核对。 作者报告，在八个下游 EEG 基准上评估了两种预训练覆盖条件：下游领域仅以无标签数据参与预训练，以及下游数据集在预训练中完全未见。作者报告 TRACE 在其中六个基准上取得最佳平均表现，在两个运动想象任务上保持竞争力，并称消融支持跨通道时间路由的重要性。摘要未提供基准名称、指标、数值、对照方法及两种条件下的逐项结果，不能据此推断跨被试、跨会话或跨数据集协议，也不能将上述结论扩大为所有 EEG 任务上的优势。 复现时应重点核对两种预训练覆盖条件的具体数据划分、路由对通道与 montage 变化的处理，以及共享路由相对独立通道路由的消融设置。实验协议、消融及统计信息尚未验证；代码、权重与计算资源条件也尚未验证。