EEGAtlas：面向可泛化 EEG 表征学习的自适应拓扑学习

基于摘要分析。EEGAtlas 针对 EEG 通道间有效关系随神经状态变化、固定空间先验或仅依赖内容的关系建模可能不足的问题，提出将几何关系与内容条件化选择结合的自适应拓扑机制，以支持跨被试及不同范式的 EEG 表征学习。 核心机制是 Dynamic Channel Relation Atlas：从编码器槽位坐标构造几何基，为每个样本和时间片选择由内容决定的 top-2 混合，并结合共享关系，将所得偏置加入内容注意力。Spatial–Temporal–Feature Alternating Block 将这一空间关系机制与时间聚合、逐 token 特征变换整合。摘要未说明槽位坐标如何获得、几何基的具体形式，以及训练目标和预训练配置，相关实现细节尚未验证。 作者报告，在覆盖 ERP、运动想象和睡眠分期的五项被试独立冻结探针任务中，EEGAtlas 在 Balanced Accuracy、Cohen's Kappa 以及任务对应的 F1 或 AUROC 上优于预训练 REVE、LaBraM、EEGPT 和 CBraMod。相对每项任务各自最强基线，其 Balanced Accuracy 平均提高 2.53 个百分点，在 BCIC-2A 上提高 3.43 个百分点。这些结果应限定于摘要所述评估协议，不能直接视为跨数据集或其他微调设置下的收益。 作者还报告，动态关系在三项已评估的消融中均优于静态几何关系，为内容条件化空间建模提供支持；但消融对象、性能差异和统计信息尚未验证。复现时需核对被试划分、冻结范围、探针训练配置、预处理与通道映射，以及各预训练基线的适配条件。摘要提供了匿名代码地址，但代码可运行性与实验覆盖情况尚未验证；仅凭 OpenReview 页面及仓库名称不能判断已接收状态。