EEGDM：基于生成式扩散模型的标签高效 EEG 表征学习

基于摘要分析。EEGDM 针对 EEG 标注有限、跨被试差异显著及时间动态复杂的问题，提出通过生成式扩散训练学习 EEG 表征，并将预训练表征用于 EEG 事件分类、癫痫发作检测与分类。其主要研究对象是 EEG 表征学习及癫痫相关分析，摘要未提供直接的 BCI 控制任务验证。 方法上，EEGDM 引入用于扩散预训练的结构化状态空间模型 Structured State-Space Model for Diffusion Pretraining（SSMDP），在无标注 EEG 数据上进行生成式扩散训练，以捕获长程时间依赖；下游阶段通过 Latent Fusion Module（LFM）融合 SSMDP 的多层潜在特征。摘要将这一方案与基于 Transformer 的 EEG 基础模型路线进行对照，但未披露扩散目标的具体形式、噪声调度、预训练数据组成、模型规模及下游适配策略。 评估覆盖三个 EEG 基准：TUEV 的 EEG event classification、CHB-MIT 的 seizure detection，以及 IIIC 的 seizure classification。作者报告，相较包括 EEG 基础模型在内的现有方法，EEGDM 在这些任务上取得具有竞争力的表现，多数情况下超过对照方法，同时预训练和下游适配所需样本显著更少。摘要未给出具体指标、分数、样本预算、对照名称或被试划分，因此尚不能量化其优势，也不能判定这些结果对应被试内、跨被试或跨会话泛化。 复现时需核对扩散预训练与多层潜在特征融合各自的贡献、样本效率比较的预算口径，以及训练和下游推理的计算成本；样本需求减少不应直接等同于计算成本降低。实验协议、消融及统计信息尚未验证。作者提出其对癫痫诊断与管理的潜在意义，但摘要中的基准结果不能替代临床有效性验证。