S-JEPA：通过动态空间注意力迈向无缝跨数据集迁移

基于摘要分析。研究针对 EEG 信号处理中跨数据集迁移的困难，探索 Joint Embedding Predictive Architectures（JEPAs）用于自监督表征学习，提出 Signal-JEPA、面向 EEG 的空间块掩码策略，以及三种下游分类架构。作者将研究定位为探索性工作，提供了 JEPA 用于 EEG 编码的初步证据，而非已确立的无缝迁移方案。 技术上，空间块掩码是摘要明确列出的领域特定设计；标题强调动态空间注意力，但摘要未交代其具体计算方式。JEPA 的预测目标、损失形式、编码器结构，以及三种下游架构之间的差异尚未验证，不能据此补写实现细节。 研究使用一个包含 54 名被试的数据集，并在运动想象、ERP 和 SSVEP 三种 BCI 范式上评估下游性能。摘要未明确这 54 名被试在预训练与下游评估中的分配，也未提供数据集名称、被试内或跨被试划分、跨会话与跨数据集协议、基线及具体指标，因此不能量化迁移收益或直接比较不同范式的效果。 作者报告，空间滤波对准确的下游分类具有重要作用；预训练样本片段的长度会影响下游性能，而掩码大小在所考察设置下未显示影响。后者不应扩展为掩码大小普遍无关的结论，其适用范围仍需核对。复现时应重点确认通道与空间信息如何编码、空间块如何采样、预训练片段长度及掩码范围、预训练与下游数据的划分，以及空间滤波相关对照。实验协议、消融及统计信息尚未验证。