CBraMod：用于 EEG 解码的交叉式脑基础模型

基于摘要分析。该研究针对现有 EEG 基础模型将空间与时间依赖统一建模、以及难以适配不同 EEG 数据格式的问题，提出 CBraMod，通过交叉式 Transformer、非对称条件位置编码和掩码 EEG 重建预训练，支持多种下游 BCI 解码任务。 核心机制：作者认为，EEG 的空间与时间依赖具有异质性，将全部 EEG patches 的时空关系一起建模可能忽略这一结构特征。CBraMod 采用 criss-cross transformer 作为骨干，以两种并行注意力机制分别建模空间和时间依赖；同时采用 asymmetric conditional positional encoding，为 EEG patches 编码位置信息，并支持对多样 EEG 格式的适配。预训练采用基于 patch 的掩码 EEG 重建，在作者描述的超大规模 EEG 语料上进行。摘要未提供模型层数、参数规模、patch 划分、掩码比例、重建损失形式或预训练语料组成，相关细节尚未验证。 评估与结果：作者报告在最多 10 项下游 BCI 任务、12 个公开数据集上进行评估，并在广泛任务上取得 state-of-the-art 表现。摘要未列出具体任务、数据集、指标、分数、对照基线，以及被试内、跨被试或跨会话划分，因此目前只能确认其评估覆盖范围和作者的性能主张，不能据此确定泛化优势的幅度或适用边界。 复现与核对：摘要提供了公开代码仓库，可作为复现入口，但权重、数据处理流程及训练配置的可获得性尚未验证。阅读全文时应重点核对空间与时间注意力分离、位置编码和预训练策略各自的消融贡献，不同数据格式的适配方式，以及预训练与下游评估数据的关系；实验协议、消融及统计信息尚未验证。