DualBrain：在 EEG 基础模型中建模双向时空依赖

基于摘要分析。DualBrain 研究 EEG 基础模型如何同时表征空间模式的时间演化，以及时间模式的空间分布与交互，核心贡献是显式区分两种时空处理顺序，并结合基于头皮几何的电极位置编码，学习可迁移至不同下游任务的通用 EEG 表征。 核心机制是 Multi-view Joint Dynamics Encoder（MJDE，多视图联合动力学编码器）：其中的 topographic dynamics branch 捕捉空间模式随时间的变化，temporal dynamics branch 捕捉时间模式之间的空间交互，再通过门控融合自适应整合互补表征。这里的“双向”指空间到时间、时间到空间两种处理顺序，并非摘要已说明使用了双向时间序列编码。作者将显式保留这两种路径视为相较既有 EEG 基础模型的主要区别；该区别的实际贡献仍需结合正文对照与消融核验。 Spherical Harmonic Positional Encoding（SHPE，球谐位置编码）通过球谐基联合表示电极位置的两个角度维度，以在多个空间尺度上提供结构化、与电极布局无关的位置表征。其目标是使模型利用头皮物理几何，而不只依赖固定通道标识；电极坐标获取、不同通道配置的具体处理方式及适用边界尚未验证。 作者在 TUH-EEG 上以掩码自编码目标预训练，并在覆盖异构通道配置与记录条件的 11 个数据集、7 项任务上评估。作者报告，与所比较的既有 EEG 基础模型相比，DualBrain 的平均性能最佳，且在癫痫发作检测和心理状态识别上提升尤为明显。摘要未提供具体指标、分数、平均方式、对照模型名单或数据划分，因此不能据此确定跨被试、跨会话或跨数据集泛化的具体效果，也不能将不同任务上的结果直接比较。 复现与证据核验重点包括两条路径及门控融合的独立贡献、SHPE 相较其他位置编码的效果、预训练与下游数据的划分关系，以及异构通道条件下的适配流程。模型规模、训练超参数、下游微调协议、消融、统计信息及代码可用性均尚未验证。作者将结果解释为双向时空依赖有助于通用 EEG 表征；这一解释的支持强度仍需全文证据确认。