SingLEM：单通道大规模 EEG 模型

基于摘要分析。该研究针对 EEG 深度学习模型任务专用、依赖大量标注，以及部分 EEG 基础模型受预定义多通道输入和电极布局约束的问题，提出自监督基础模型 SingLEM。其核心是独立编码每个通道，得到可单独使用或沿通道维拼接的可复用表征。 机制方面，SingLEM 使用混合卷积–Transformer 编码器，提取单通道信号的局部与长程时间结构。逐通道编码将表征提取与具体多通道布局分离，为灵活使用不同电极配置提供了方法路径；但通道拼接后的维度处理、通道顺序要求，以及对不同布局的实际适应范围，摘要尚未说明。自监督目标、输入预处理、模型规模和训练配置尚未验证。 数据与评估方面，作者汇集了 71 个公开 EEG 数据集，涉及约 9,200 名被试、357,000 单通道小时。为控制预训练与下游评估的数据泄漏，作者从预训练集合中排除了六项下游任务所涉及的三个来源数据集，使用剩余 68 个数据集训练的模型进行评估；另提供基于全部 71 个数据集预训练的版本用于通用复用，两者用途应区分。 作者报告，在六项运动想象与认知任务的严格留一被试法（LOSO）跨被试评估中，采用通道表征拼接与 SVM 分类器的受控预训练模型，在所比较的预训练方法和经典特征方法中取得最佳整体表现。作者还报告，额外分类器及被试适配分析支持表征的稳健性，但摘要未给出逐任务指标、效应幅度或统计信息，不能据此推断每项任务均领先，也不能将被试适配结果与严格 LOSO 结果混为一谈。 作者提供了源代码与预训练模型。复现时需核对所用权重是否为排除三个来源数据集的版本，并确认预处理、特征拼接、SVM 调参与被试适配的数据使用边界；具体实验协议、消融及统计信息尚未验证。