LUNA：面向 EEG 信号分析的高效、拓扑无关基础模型

基于摘要分析。该研究针对不同 EEG 数据采用不同电极布局、限制大规模模型泛化的问题，提出自监督基础模型 LUNA（Latent Unified Network Architecture）。其主要贡献是统一处理不同电极几何布局，并使计算复杂度随通道数线性而非二次增长。 预训练与机制：作者使用 TUEG 和 Siena 中超过 21,000 小时、涵盖多种电极配置的原始 EEG，通过掩码信号重建任务进行预训练。摘要未说明电极位置如何编码、不同布局如何映射到统一表示，以及线性复杂度由何种具体模块实现；掩码策略、重建损失与训练配置尚未验证。因此，“拓扑无关”的适用范围仍需结合正文判断，不能直接理解为对任意未知布局均能稳定泛化。 结果：作者报告模型可迁移至异常检测、伪迹检测、慢化分类和情绪识别四类下游任务，并在多个基准上取得有竞争力的表现。作者称其在 TUAR 和 TUSL 上达到当时最优结果，其中 TUAR 的 AUROC 为 0.921；但摘要未提供该结果的数据划分、被试内或跨被试协议、微调方式及对照基线，不能据此与其他协议下的分数直接比较。 效率与复现：作者报告 FLOPs 降低 300 倍、GPU 显存使用量最高降低 10 倍，但摘要未明确对应基线、输入长度、通道数或测量配置，收益的适用条件尚未验证。代码与预训练模型计划在发表时发布，材料不能确认目前已公开，也不能据此推断论文已发表。全文核对重点包括跨布局评估与预训练数据重叠情况、各任务划分及统计信息、拓扑处理模块的消融，以及效率对照是否采用一致输入条件。上述信息尚未验证，不代表作者未开展相关实验。