大型 EEG 基础模型从颅内脑信号中学习信息丰富的低频表征

基于摘要分析。该研究考察在非侵入式 EEG 数据上预训练的基础模型，能否迁移至侵入式 ECoG 手指运动解码任务。作者提出 ECoG-to-EEG 通道投影模块与轻量适配策略，以衔接两种记录模态并更新预训练基础模型骨干。 研究的核心问题是：EEG 大规模预训练形成的时空表征，能否用于空间覆盖有限、患者队列较小的 ECoG 场景。通道投影承担模态输入衔接，轻量适配用于调整预训练模型；但摘要未说明投影的数学形式、通道对应关系、更新参数范围、训练目标或预训练模型名称，尚不能判断收益具体来自何种机制。 作者报告，在采样率为 128 Hz 的 ECoG 手指运动相关信息解码评估中，适配后的 EEG 基础模型优于传统 ECoG 解码器。摘要未提供数据集、患者数、被试内或跨被试划分、基线名称、指标及增益数值，因此这一结果不能外推为跨被试泛化或其他颅内 BCI 任务的已验证优势。128 Hz 指采样率，并非所提取表征的具体频段；低频表征的频带范围与预处理设置仍需核对全文。 复现时应重点核对预训练数据与目标数据的关系、数据划分、重采样和滤波流程、通道投影实现，以及轻量适配与基线的训练条件。实验协议、消融及统计信息尚未验证；目前可将其视为 EEG 到 ECoG 跨模态迁移的研究证据线索，而非通用有效性结论。