连接电生理与血流动力学：将 EEG 基础模型适配于 EEG-fNIRS 表征学习

基于摘要分析。本文研究如何将预训练 EEG 基础模型扩展到 EEG-fNIRS 多模态表征学习，提出模块化框架 EF-GO，在不重新训练原 EEG 主干的条件下引入 fNIRS 信息，并处理两种模态在传感器布局、时间分辨率及生理来源上的差异。 机制上，EF-GO 首先通过自监督掩码重建学习 fNIRS 专属表征；随后利用 Region-prior-guided Graph Aggregation，将异构 EEG 与 fNIRS 通道特征映射到共享、具有脑区感知能力的图空间。针对电生理活动与血流动力学响应之间的时间差异，框架引入时间感知 Neural Ordinary Differential Equation（Neural ODE）目标，以捕捉两类表征之间具有时滞的对应关系。其主要方法价值在于复用已有 EEG 表征能力，同时分别针对空间对应和时间对齐设计适配模块；具体图构建、脑区先验来源、掩码策略及 Neural ODE 目标形式尚未验证。 作者报告，在使用两个预训练 EEG 主干、覆盖六个下游任务的实验中，EF-GO 在大多数指标上优于单模态 EEG 基线，并取得与任务专用 EEG-fNIRS 模型具有竞争力的表现。摘要未提供任务名称、数据集、被试数量、数据划分、具体指标或数值，因此不能判断这些优势适用于被试内、跨被试还是跨会话协议，也不能量化增益。 全文核对重点包括：EEG 与 fNIRS 的同步和预处理方式、不同通道布局下的脑区映射、时间模块对个体血流动力学差异的适应性，以及各适配模块的独立贡献。实验协议、消融及统计信息尚未验证；代码、预训练权重和计算需求亦未在所给材料中明确。现有摘要支持其多模态适配潜力，但不足以确认具体 BCI 场景中的泛化能力或在线使用效果。