MTEEG：使用低秩适应增强 EEG 分析的多任务学习框架

基于摘要分析。MTEEG 研究如何将预训练 EEG 模型同时适配到多个任务，以减少为各任务分别维护模型带来的计算与存储负担。其核心贡献是结合任务无关的时间编码器与任务特异的低秩适应模块，在共享表示的同时保留任务差异，缓解异质 EEG 数据导致的联合优化冲突。 机制方面，作者指出，不同被试、采集设备及实验设置使 EEG 数据具有显著异质性，可能造成任务间冲突。MTEEG 通过低秩适应模块分离参数空间，兼顾任务交互与任务特异性。摘要未说明预训练模型的具体来源、编码器结构、低秩模块的插入位置与秩、参数冻结策略、损失函数或多任务采样方式，这些实现细节尚未验证。 结果方面，作者报告，在六个公开数据集上进行联合调优后，MTEEG 在异常检测、事件类型分类、情绪识别、癫痫发作检测、睡眠分期分类和运动想象分类任务上优于其他多任务方法，并达到与最先进单任务方法相当的表现。摘要未提供数据集名称、被试规模、数据划分、评估指标、具体数值及对照方法，因此不能据此判断各任务的增益幅度，也不能推断其跨被试、跨会话或跨数据集泛化能力。 阅读与复现重点是核对共享编码器与任务专属模块的贡献、各任务是否出现负迁移，以及参数量、存储占用和计算成本是否实际降低；实验协议、消融及统计信息尚未验证。摘要称源代码将发布，不能视为代码已公开。作者将通用 BCI 作为未来潜力提出，但多类 EEG 分析任务上的联合表现并不等同于已验证的通用 BCI 或在线应用效果。