REVE：通过 25,000 名被试的大规模预训练适应任意采集配置的 EEG 基础模型

基于摘要分析。研究针对 EEG 数据在采集协议、设备与电极配置上的异质性，提出基础模型 REVE（Representation for EEG with Versatile Embeddings），以 4D 位置编码和掩码自编码预训练支持不同信号长度与电极布局，旨在减少下游任务对专门训练数据和微调的依赖。 核心机制是将适应采集配置变化的位置表示引入 EEG 表征学习，并采用掩码自编码目标进行预训练。摘要称该位置编码可处理任意长度和电极排列的信号，但未说明四个维度的定义、坐标来源、掩码策略及重建目标，相关实现尚未验证。作者将现有 EEG 基础模型对采集配置的适应不足、尤其在线性探测下表现受限，作为主要对照问题。 预训练规模方面，作者报告使用来自 92 个数据集、覆盖 25,000 名被试的超过 60,000 小时 EEG，并称其为迄今规模最大的 EEG 预训练工作；该规模比较尚未独立核实。数据集清单、预处理、采样率与通道统一方式，以及预训练数据与下游评估数据的划分关系，需结合全文核对。 结果方面，作者报告在 10 个下游 EEG 任务上达到最先进结果，任务包括运动想象分类、癫痫发作检测、睡眠分期、认知负荷估计和情绪识别，并称在少量或无需微调时仍具有较强泛化与时空建模能力。摘要未提供各任务指标、基线、被试内或跨被试等评估协议，不能据此量化提升，也不能将不同任务上的结果视为同一泛化结论；实验协议、消融及统计信息尚未验证。 作者声明发布代码、预训练权重和教程，但具体获取方式与复现条件尚未核验。复现时应重点检查 4D 位置编码对未见电极布局的适应方式，以及线性探测与微调的配置和数据划分。对 BCI 的直接证据目前限于摘要所述的运动想象等下游任务，尚不能推出其适用于所有采集配置或在线使用场景。