Device Passport：使时空预训练模型跨输入布局泛化

基于摘要分析。该研究针对新设备布局缺乏大规模专用数据、预训练生物信号模型难以跨布局复用的问题，提出通道嵌入方法 Device Passport，将各通道的功能活动与元数据共同作为输入，以改善预训练布局与下游解码布局差异较大时的迁移。 机制与对照：Device Passport 学习专家及混合模型来构造通道嵌入；摘要将其与通常仅依据功能信息、或仅依据元数据查找学习式或固定位置嵌入的方法作对比。其可核对的核心贡献是通道嵌入的信息来源与建模方式，而非已证实的通用跨设备解决方案。专家结构、混合方式、元数据字段、功能活动的提取方法，以及训练目标和预训练骨干尚未验证。 实验与结果：作者报告，在受控子集迁移实验及向 ear-EEG 的现实迁移中，该学习式专家方法总体具有竞争力，并在研究所针对的布局迁移条件下优于最强学习式基线。摘要未提供具体数据集、解码任务、被试数量、划分方式、基线名称或数值指标，因此尚不能判断收益幅度，也不能将跨布局迁移等同于跨被试、跨会话或跨数据集泛化。 复现核对重点：需确认预训练与下游布局的差异如何构造、通道功能活动与元数据在推理时如何获得，以及各嵌入方法是否采用一致的骨干与训练条件。实验协议、消融及统计信息尚未验证；尤其需要核对联合输入的收益是否随通道数量、布局差异和下游数据规模变化，以及 ear-EEG 结果能否支持更广泛的设备迁移结论。