通过几何建模与掩码实现 EEG 基础模型的潜空间预测学习

基于摘要分析。该研究针对 EEG 基础模型依赖端到端微调、冻结表征迁移能力有限的问题，提出 EEG-GPRL（Geometry-aware Predictive Representation Learning），通过预测教师模型的潜空间表征，学习可迁移的上下文 EEG 表征，而非主要重建低层波形。 机制上，Geometry-aware Attention（GeoAttn）将通道交互与电极相对几何关系结合；Spatiotemporal Gaussian Field Masking（ST-GFM）构造具有相关性的掩码上下文，旨在减少随机掩码下的局部信息泄漏；VISReg 用于防止表征坍塌。摘要未提供教师模型的构建与更新方式、预测目标的具体计算、几何编码细节、掩码采样参数及 VISReg 的损失形式，这些实现条件尚未验证。随机掩码存在局部信息泄漏是作者的研究判断，不能据此认定其他模型的实验存在数据划分泄漏。 作者报告，在覆盖六种 EEG 解码范式的九个数据集上，EEG-GPRL 在 KNN 与冻结表征探测两种评估方式下，均在其中八个数据集取得最高 Balanced Accuracy；摘要未给出具体分数、比较方法、数据集名称或被试内、跨被试、跨会话等划分背景，因此不能据此认定已验证跨被试或跨数据集泛化。作者另报告，消融研究支持各组成模块的互补贡献，但效应大小与统计信息尚未验证。 阅读与复现时，应重点核对冻结评估中的特征提取与探测器设置、预训练和下游数据的划分关系、电极几何在不同通道配置下的处理，以及各模块的独立增益。实验协议、消融及统计信息尚未验证；全文、代码与权重的可用性也尚未确认。