EEG 自监督预训练放大神经表征中的个体差异

基于摘要分析。本研究考察 EEG 基础模型的自监督预训练是否保留个体特异性，以及其表征能否支持跨模态信号预测；作者复现 NeuroGPT 的既有评估基准，并利用 18 名人类被试的同步 EEG 与 BOLD 记录开展补充评估。 研究关注两个问题：NeuroGPT 的 EEG 嵌入在多大程度上捕捉被试特异性，以及这些嵌入是否改善同步 BOLD 信号的预测。与主要通过运动等行为解码衡量泛化的评估路径相比，本研究将个体表征结构与跨模态预测作为补充证据，而非提出新的 EEG 预训练模型。 作者报告，在上述同步记录数据的评估中，NeuroGPT 嵌入能够可靠地放大个体特异性，并相较原始 EEG 和随机初始化模型改善 BOLD 预测。摘要未提供效应量、预测指标、数据划分或统计检验细节，因此不能量化改善幅度，也不能据此认定已验证跨被试、跨会话或跨数据集泛化。作者据此认为，自监督预训练丰富而非同质化了被试层面的表征结构，且这种结构可用于不同数据模态之间的对齐。 技术上，需结合全文核对个体特异性的度量方式、EEG 与 BOLD 的时间对应及预测流程、预训练数据与评估数据的关系，以及原始 EEG 和随机初始化模型对照的具体设置。NeuroGPT 的训练目标、嵌入提取方式、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：个体差异增强可能有利于个性化建模，但并不自动意味着跨被试 BCI 解码更好；本摘要支持的是表征特异性与同步 BOLD 预测的作者结论，不能将其扩展为已证实的 BCI 性能提升。