哪种掩码几何最适合 EEG 基础模型？

基于摘要分析。该研究关注 EEG 基础模型预训练中的时空掩码设计，尝试将掩码策略的影响与骨干网络、学习目标的变化分离。作者形式化描述时空掩码的设计选择，在统一管线下分别使用 MAE 和 JEPA 两种自监督框架，比较不同掩码配置对下游表征能力的影响。 掩码策略决定模型需要预测什么，以及能够依赖哪些上下文。研究的主要价值在于围绕这一变量进行受控比较，而非将新掩码、新骨干网络和新目标同时打包评估。摘要未提供具体掩码几何、掩码比例、预测目标及两种框架的实现细节，因此尚不能据此推荐某个可直接复现的配置。 作者报告，共评估了 58 个预训练模型，采用线性探针在 OpenEEGBench 的 12 个数据集上测试；MAE 与 JEPA 对最优掩码配置及共同失效模式给出一致结论。作者同时报告，除失效配置外，表现具有一定稳健性：11 种 MAE 配置和 9 种 JEPA 配置与各自最佳结果在统计上无法区分。这不等于这些配置已被证明等效，仍需核对统计检验、效应量与多重比较处理。 作者还报告一种 JEPA 特有的失效模式，称为 bias-inflation collapse，且标准检测方法无法发现；其形成机制、检测判据及影响范围尚未验证。在选择合适掩码后，作者报告该管线可用 REVE 预训练计算量的一小部分达到 REVE 水平的下游表现，但摘要未给出具体指标、计算量或对照设置。 复现时需核对预训练数据及其与评估数据的关系、被试内或跨被试等划分协议、线性探针训练方式、最优掩码参数和坍塌检测方法。实验协议、消融及统计信息尚未验证；现有摘要结论不能直接外推至端到端微调或在线 BCI 场景。