MBrain：面向脑信号的多通道自监督学习框架

基于摘要分析。MBrain 针对脑信号监督学习依赖高成本临床标签，以及侵入式 sEEG 与非侵入式 EEG 信号差异较大、难以统一建模的问题，提出可分别用于两类信号预训练的多通道自监督学习框架。其主要研究对象是脑信号表征学习与癫痫发作检测，并非直接验证 BCI 控制任务。 核心机制是学习不同通道之间隐含的空间与时间关联。作者以脑信号在连接结构之间传播为启发，通过 multi-channel CPC 构建表示通道空间关联的图结构，并据此设置 instantaneous-time-shift prediction 任务；再用 delayed-time-shift prediction 任务捕捉时间关联，另以 replace-discriminative-learning 任务保留各通道的特征。作者报告，对 multi-channel CPC 目标的优化可获得更好的预测表征，并给出理论证明；具体目标函数、证明条件、图构建方式及各任务的训练组合尚未验证。 作者报告，在 EEG 与 sEEG 的大规模真实世界癫痫发作检测数据集上，MBrain 优于若干先进的时间序列自监督和无监督模型。摘要未提供数据集名称、被试数、划分协议、标注预算、基线名称或指标数值，因此尚不能判断收益属于被试内、跨被试还是跨会话场景，也不能据此确认跨信号类型的直接迁移能力。实验协议、消融及统计信息尚未验证。作者进一步提出模型具有临床部署能力，但摘要不足以确认前瞻性验证、运行条件及临床泛化表现。 平台推测（待验证）：若通道间关联能够保留 BCI 任务所需信息，该框架可能为低标注 EEG 表征学习提供可复用的预训练思路；这不等于已证实的 BCI 效果。复现应首先核对图结构对电极布局的依赖，以及多任务收益是否能在控制数据划分、预训练数据量和下游标注量后保持。