NeuroRVQ：面向生成式大型脑电模型的多尺度 EEG tokenization

基于摘要分析。研究针对 EEG 基础模型中信号 tokenization 难以保留高频动态的问题，提出 NeuroRVQ：以码本式 tokenizer 为核心的大型脑电模型（Large Brainwave Model，LBM），通过多尺度编码与分层量化支持 EEG 压缩、信号重建和生成式掩码建模。 核心机制包括三部分：多尺度特征提取模块，用于捕获不同时间与频谱尺度的信息；分层残差向量量化（RVQ）码本，用于高分辨率编码；感知 EEG 信号相位与幅度的损失函数，用于训练。其方法关注点是改进离散信号表示，而不只是扩大后续模型。摘要未提供特征提取结构、码本规模与层级配置、损失具体形式，以及 tokenizer 与掩码预测模型之间的训练关系，这些细节尚未验证。 作者报告，NeuroRVQ 在其评估中取得更低的重建误差，并在多种下游任务上优于现有 LBM；摘要未列出任务名称、数据集、被试数量、数据划分、对照模型、指标或具体数值，因此尚不能判断收益是否覆盖跨被试、跨会话或跨数据集场景。作者还提出，该 tokenizer 可为通用码本式脑电模型提供先验，并支持神经解码、生成建模及多模态生理信号整合；这些较广泛用途的验证范围需由全文确认。 复现时应重点核对分频段重建指标与相位保真度、压缩率与重建质量的权衡，以及多尺度模块、RVQ 和相位及幅度感知损失各自的贡献。还需核对高频成分的处理与伪迹控制，以及重建改善是否稳定转化为下游解码收益。实验协议、消融及统计信息尚未验证，摘要所述高保真重建不能直接等同于已证实的 BCI 性能提升。