BrainMoE：基于逐通道混合专家的通用 EEG 基础模型探索

基于摘要分析。BrainMoE 针对 EEG 基础模型对所有通道采用统一处理策略、难以适配不同任务空间需求的问题，提出逐通道 Mixture-of-Experts（MoE）架构，通过动态选择和加权专家实现通道专门化解码。 核心机制是先用 ChannelFormer 提取各通道的独立表征，再由路由器根据这些表征选择并加权相关专家，使不同通道能够采用不同的计算策略。作者将这一设计与脑功能的异质性联系起来，试图避免统一通道处理对任务适应性的限制。但通道表征或专家分工是否对应可解释的脑功能分区，不能仅凭摘要确认。 作者报告，在覆盖九个基准的七项下游任务上，BrainMoE 获得显著性能提升，并在六个数据集上达到新的 SOTA。摘要未提供任务与数据集名称、指标数值、对照模型或被试内、跨被试、跨会话等评估协议，因此这些结果尚不能用于判断具体 BCI 场景中的增益；“显著”是否指统计显著性也尚未验证。 复现与技术核对的重点包括：ChannelFormer 如何构建通道表征，路由器如何选择专家，预训练目标与训练数据构成，以及逐通道路由相对于统一处理策略的消融对照。还需核对专家负载、计算成本、不同通道配置下的适配方式及数据划分。实验协议、消融及统计信息尚未验证，代码和权重可用性亦未由所给材料确认。作者将结果视为通道专门化支持通用 EEG 基础模型的证据，但摘要不足以独立确认其跨数据集泛化边界。