MSBraM：用于层次化 EEG 动态学习的多尺度自监督脑基础模型

基于摘要分析。MSBraM 针对 EEG 局部神经活动模式与长程依赖难以联合建模的问题，提出多尺度自监督脑基础模型，以不同时间分辨率的离散表示和课程式掩码预测学习层次化 EEG 表征。 方法采用两阶段预训练：第一阶段，多尺度神经分词器通过向量量化重建，将原始 EEG 转换为不同时间分辨率的语义编码；第二阶段，模型预测被掩码的编码，并采用课程式多尺度掩码策略，逐步整合细粒度局部模式与全局时间上下文。摘要未说明各时间尺度的定义、码本配置、掩码调度或具体损失形式，这些实现细节尚未验证。 作者报告，MSBraM 使用超过 2,400 小时的 EEG 数据进行预训练，并在 12 个公开数据集的 10 项下游任务上评估；在该评估范围内，作者报告其性能优于其他先进预训练模型，体现出泛化与迁移能力。摘要未提供数据集与任务名称、指标数值、基线配置，以及被试内、跨被试、跨会话或跨数据集划分，因此目前不能确定优势对应的具体协议，也不能据此量化提升幅度。 阅读全文时，关键是核对多尺度分词与课程式掩码各自的贡献，以及预训练与下游评估的数据关系、通道配置和适配方式。作者据实验认为显式建模多尺度时间动态对 EEG 基础模型很重要，但其相对单尺度设计的独立收益、计算成本及对不同任务的适用边界，仍需依据完整结果判断；实验协议、消融及统计信息尚未验证。