NeurIPT：面向神经接口的基础模型

基于摘要分析。NeurIPT 面向 EEG 神经接口中的跨被试、跨任务、跨条件差异及电极配置不一致问题，提出结合时间与空间表征学习的预训练 Transformer 基础模型，并通过下游微调评估其适用性。 时间建模方面，Amplitude-Aware Masked Pretraining（AAMP）依据信号幅值而非随机时间区间进行掩码，旨在学习适应不同信号强度、超越局部插值的表征。Progressive Mixture-of-Experts（PMoE）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。摘要未提供具体掩码规则、预训练目标、专家路由或训练配置，相关实现尚未验证。 空间建模方面，模型使用电极的三维物理坐标构建表征，以支持不同 EEG 采集设置间的嵌入迁移；微调阶段采用 Intra-Inter Lobe Pooling（IILP），利用脑叶内与脑叶间的区域特征。需进一步核对坐标标准化、不同通道配置的处理方式，以及区域池化的具体实现。 作者报告，在八个下游 BCI 数据集的微调评估中，NeurIPT 均取得了作者所称的最先进性能。摘要未列出数据集名称、任务、被试规模、指标数值及被试内、跨被试或跨会话划分，因此尚不能据此确定其在各类泛化协议下的优势，也不能将微调结果等同于零样本迁移能力。 复现评估应重点核对预训练与下游数据的关系、各基线的微调预算，以及 AAMP、PMoE、电极坐标和 IILP 的独立贡献；尤其需要检验幅值驱动的掩码如何处理高幅值伪迹，以及跨电极配置迁移的适用范围。实验协议、消融及统计信息尚未验证；材料亦未提供可确认的权重或代码发布信息。