Mind World Models：运动 EEG 表征与动作条件世界动力学的联合学习

基于摘要分析。该研究针对运动 EEG 解码依赖高成本提示式试验、粗粒度类别标签，以及预训练目标未直接刻画运动演化的问题，提出 Mind World Model（MWM），利用自然情境下的 EEG 与第一视角视频，在无需动作标注的条件下联合学习运动 EEG 表征和动作条件世界动力学。 核心机制是将截至当前视频帧观测到的 EEG 编码为世界模型的潜在动作：mind model 编码 EEG，world model 以该表征为条件预测未来视频帧的表征，从而构建以运动过程为依据的预训练目标。作者同时提出 Lateralization-Aware Transformer（LAT），通过 frame averaging 分离双侧共享特征与侧别特异的侧化特征，将脑半球对应关系引入模型，以降低从数据中学习左右关系的负担。具体平均操作、训练损失及时间对齐方式尚未验证。 预训练得到的 mind model 用于下游运动解码；作者还称，world model 能从 EEG 衍生的动作泛化至真实世界动作信号，为具身 AI 的第一视角数据采集提供路径，但摘要未交代动作信号类型与泛化测试细节。 作者报告，在 9 项分类任务和 7 项回归任务上，相对于各任务类别中最强的单一基线，mind model 的任务平均 Balanced Accuracy 和 Pearson 相关系数分别提高 5.9% 与 16.2%；摘要未明确前者是相对百分比还是百分点，不能据此换算。作者报告，相比逆动力学潜在动作基线，world model 在记录内评估和留出被试评估中的 L1 误差分别降低 23.2% 与 11.0%，两种协议的结果应分别理解。 复现需核对 EEG 与视频的同步及预处理、未来预测时间跨度、数据集与被试规模、下游任务划分，以及 LAT 和预训练目标各自的贡献。代码与数据可用性、实验协议、消融及统计信息尚未验证；目前不能将所报收益推广到所有跨被试或跨数据集 BCI 场景。