作为生物信号分词器的神经编解码器

基于摘要分析。该研究针对 EEG 等生理记录维度高、噪声强，通常依赖大量预处理与手工特征提取的问题，提出受神经编解码器启发的表示学习框架 BioCodec，将低层信号特征表示为离散 token，用于后续生物信号解码。 核心机制是通过预训练学习离散化的信号表示，而非直接依赖手工特征。摘要称 BioCodec 在数千小时 EEG 上预训练，但未给出具体时长、数据来源与划分；编码器结构、量化机制、码本规模、训练损失及下游适配方式尚未验证，不能仅凭“神经编解码器”推断其具体实现。 作者报告，BioCodec 在临床诊断、睡眠生理、语音解码和运动想象等多类下游任务中有效，尤其适用于低资源场景，并称其表现可与当前先进模型竞争。摘要未提供任务对应的数据集、被试数量、低资源定义、被试内或跨被试等评估协议、对照模型及具体指标，因此尚不能判断优势幅度或不同任务间的可比性。 除下游评估外，作者还对码本使用情况进行定性分析，并利用 EEG 连接性估计码本嵌入的空间相干性，为理解离散表示与信号空间组织之间的关系提供分析线索；这并不等同于已验证 token 具有明确的生理语义。作者另报告该方法适用于 EMG，但迁移设置和结果细节尚未验证。 作者表示已共享源代码与模型检查点，具体获取方式、预处理流程、预训练数据与下游评估的隔离方式、实验协议、消融及统计信息仍需结合全文与实现核对。