NeuroRVQ：面向生成式 Large Brainwave Models 的多尺度 EEG tokenization

基于摘要分析。NeuroRVQ 针对 EEG 基础模型中信号 tokenization 难以保留高频动态的问题，提出以码本式 tokenizer 为核心的 Large Brainwave Model（LBM），旨在兼顾 EEG 压缩、跨频段高保真重建与生成式掩码建模。 方法包含三个要素：多尺度特征提取模块，用于捕获不同时间与频谱尺度的信息；分层残差向量量化（RVQ）码本，用于高分辨率编码；相位与幅度感知的 EEG 信号损失，用于训练。其核心思路是改善离散 token 对信号细节的保留，而不只是调整后续掩码预测模型。摘要未给出各尺度的定义、码本配置、损失公式及掩码建模的具体训练与推理流程，这些内容尚未验证。 作者报告，NeuroRVQ 获得了更低的重建误差，并在多种下游任务上优于现有 LBMs；但所给摘要未列出数据集、被试数、任务名称、指标数值、具体对照模型或被试内、跨被试、跨会话及跨数据集协议，因此不能据此量化优势或判断其泛化范围。摘要中关于支持神经解码、生成建模与多模态生物信号整合的表述属于作者提出的应用前景，不等同于这些应用均已获得验证。 阅读全文时值得核对：不同频段的重建评价是否支持高频保留这一核心主张；重建收益与下游任务收益之间的关系；多尺度提取、分层 RVQ 和相位及幅度感知损失各自的贡献；以及压缩程度与重建质量的权衡。实验协议、消融及统计信息尚未验证，代码、模型权重与复现条件也未由当前材料确认。