EEG 不存在单一方案：相位、任务设定与数据预算的交互作用

基于摘要分析。该研究考察 EEG 基础模型的输入表示如何受目标任务与标注数据预算影响，比较 raw patches、Morlet log power 与复数系数，并通过相位处理、计算量匹配及掩码预训练分析表示差异的来源。 实验覆盖 P300、N170 ERP 任务及一秒睡眠片段分类，设置五档有标注被试数量与三个随机种子。作者固定 transformer 主体、被试划分、训练轮数和优化日程，仅改变输入前端；不同前端的 token 数量与计算成本原本不同，因此结果需要结合资源匹配条件解读。 作者报告，在匹配归一化范围后，raw patches 在所测试数据预算范围内的 ERP 综合指标上优于固定 Morlet log power，Balanced Accuracy 优势为 0.09–0.12。但摘要随后称，双向匹配 token 数量与单样本计算量后，在 20 和 40 名有标注被试条件下仍保留“log-power advantage”，且该优势在更大数据预算下减弱。这与前述优势方向的关系不清，尚不能据此确定计算量匹配后的胜出表示。 作者报告，同一滤波器组的复数系数可缩小诱发任务上的性能差距；在 ERP 综合指标的分解对照中，移除逐试次、逐频率相位旋转带来 0.12–0.20 的 Balanced Accuracy 提升。该旋转保留归一化前的幅值，却改变事件对齐和跨频率关系，因此这一对照不能简单等同于仅检验“是否保留相位”。所测试的卷积频谱嵌入未消除诱发任务上的差距。 预训练方面，作者报告，在各输入使用自身原生目标的掩码预训练中，raw 相对从头训练的增益更大，但两组预测目标不同；改用共享目标的六种子实验后，既未确立增益的方向性优势，也未确立等效性。摘要未提供睡眠分类的具体结果，亦不足以支持某种表示普遍最优。具体数据集、被试划分细节、完整消融及统计信息尚未验证，复现应优先核对优势方向、相位变换定义与预训练目标的一致性。