RECTOR：用于认知表征学习的区域—通道—时间掩码建模

基于摘要分析。该研究针对情感与认知障碍涉及跨脑区、通道和时间的分布式脑网络动态，提出端到端自监督框架 RECTOR，将区域、通道与时间表征学习统一起来，并在 EEG 情绪识别与 sEEG 任务投入度分类上进行评估。 核心机制包括四部分：RECTOR-SA 采用分层自注意力，以分块方式建模区域—通道—时间交互，融合解剖先验与动态功能门控；RECTOR-Mask 生成不同的区域—通道—时间掩码视图，构造自监督代理任务；NC²-MM 学习目标同时鼓励跨视图的预测性与一致性表征；RCReg 对区域—通道 token 施加正则化，旨在避免平凡区域特征，并学习和解耦区域共有与通道特异表征。摘要未提供损失公式、掩码分布、脑区划分或门控实现，具体机制尚待全文核对。 作者报告，RECTOR 在所评估的 EEG 情绪识别与 sEEG 任务投入度分类基准上达到新的最佳水平，并在时空自注意力计算效率方面表现更优，同时展示大规模预训练潜力和区域、通道层面的多视图可解释性。这些结论均来自作者摘要；具体数据集、样本量、被试内或跨被试等划分协议、对照基线、指标数值及计算成本口径尚未验证，因此不能据此判断提升幅度或泛化边界。 复现时需核对解剖先验与通道配置的对应方式、预训练与下游评估的数据划分，以及四个模块的消融和统计结果。代码、权重及训练资源条件尚未验证。摘要中的任务结果不等同于临床诊断有效性，面向情感与认知障碍的临床价值仍待独立证据支持。