LUNA：用于 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 语料电极布局不一致、阻碍大规模模型泛化的问题，提出自监督基础模型 LUNA（Latent Unified Network Architecture）。其核心贡献是将多通道 EEG 压缩到固定大小、拓扑无关的潜在空间，使后续表示学习与电极数量解耦；作者报告模型可迁移至异常检测、伪迹剔除、慢化分类和情绪识别四类任务。 机制上，LUNA 通过学习查询与交叉注意力聚合多通道信号，后续 Transformer 模块仅在潜在表示上执行分块时间自注意力。作者称这一设计使计算量随通道数线性而非二次增长。模型在 TUEG 和 Siena 上使用掩码块重建目标进行预训练，材料给出的数据规模为超过 21,000 小时、覆盖多种电极配置的原始 EEG；具体分块方式、潜在空间大小及重建损失形式尚未验证。 结果方面，作者报告模型在多个基准上具有竞争力，并称其在 TUAR 和 TUSL 上达到最先进结果，其中 TUAR 的 AUROC 为 0.921。作者还报告 FLOPs 降低 300 倍、GPU 显存占用最多降低 10 倍，且收益在所有已评估电极配置下保持一致。摘要未明确这些结果对应的被试内、跨被试或跨数据集协议，也未说明效率比较的具体基线与输入条件，因此不能据此直接比较不同模型，或将已评估配置下的一致性等同于对任意未知布局的泛化。 复现应优先核对预训练与下游数据的划分关系、电极配置变化的测试方式、通道位置信息如何进入模型，以及效率测量是否采用一致的输入长度、通道数和硬件条件。材料提供了代码地址，但代码完整性、权重可用性、实验协议、消融及统计信息尚未验证。该研究直接面向 EEG 分析，但摘要中的下游结果尚不能证明其在运动想象、SSVEP 或 P300 等 BCI 任务上的有效性。