TopoMontage：用于通用 EEG 表征学习的拓扑保持跨蒙太奇对齐

基于摘要分析。本文研究异构蒙太奇条件下的 EEG 跨数据集预训练：电极布局、可用通道、通道顺序及参考方案的差异会削弱传感器层面的空间对应。作者提出 TopoMontage，通过拓扑保持的跨蒙太奇对齐学习自监督表征，而非将所有记录强制映射到统一传感器模板。 核心机制是把同一 EEG 片段的不同蒙太奇视图视为共同潜在神经事件的不完整、结构失真观测。方法通过电极帽通道子采样、通道丢弃、局部掩码、通道置换及参考变换生成视图，再由共享时空骨干编码。针对通道数量不一致和空间覆盖部分重叠的 token 集合，作者引入拓扑感知最优传输目标，匹配代价同时考虑特征相似性、电极几何、频谱结构与局部关系上下文，并结合跨视图一致性、掩码重建和连接性保持正则化。 其方法特点在于显式建模跨蒙太奇对应，而不仅依赖一般自监督增强获得不变性；同时试图在抵抗采集配置变化时保留与下游解码相关的神经生理结构。摘要未提供骨干结构、各损失的数学定义与权重，也未说明电极几何、频谱及连接性信息的具体计算方式，这些实现条件尚未验证。 作者报告，在六个公开 EEG 数据集上，围绕标准运动想象迁移、跨数据集迁移、低标签适应、蒙太奇扰动、未见蒙太奇泛化及组件消融进行评估，TopoMontage 相比通用自监督预训练基线获得了更可迁移、更稳健的表征。摘要未列出数据集名称、被试数量、划分方式、基线名称、指标或数值，因此不能判断提升幅度，也不能将运动想象迁移直接等同于跨被试或跨会话评估。 复现时需核对视图生成是否覆盖真实采集差异、几何信息的获取与缺失处理、不同参考方案下的对应定义，以及最优传输的计算开销。还需核对未见蒙太奇的训练与测试划分、低标签适应的标签预算及各损失的独立贡献；实验协议、消融细节及统计信息尚未验证。对不同蒙太奇观测是否足以共享同一潜在事件表征，也需结合完整实验判断其适用边界。