基于时频模式学习的单通道 EEG 标记化

基于摘要分析。该研究针对连续、含噪 EEG 的离散表征问题，提出 TFM-Tokenizer，尝试从单通道信号中学习能够表达内在时频模式的离散 token，并结合基于 Transformer 的 TFM-Encoder，通过掩码 token 预测预训练与下游微调支持多种 EEG 任务。 核心机制是将单通道中时间上难以预测的模式与多样振荡波形编码为离散 token，而非主要依赖连续嵌入与通道间关系。作者假设，关键时频特征可由单通道有效捕获，因此这一表征方式有望适用于不同 EEG 设置。摘要未说明 token 的构建与量化方式、词表规模、具体损失、信号预处理或多通道输入的组织方式，这些细节尚未验证。 作者报告，在四个 EEG 数据集的单数据集设置下，TFM-Token 优于所比较的现有先进方法；摘要未提供数据集名称、具体任务、指标数值、基线名称，以及被试内或跨被试等划分协议，因此不能据此认定跨被试、跨会话或跨数据集泛化有效。作者还报告，所学 token 能捕获类别相关特征、保留频率内容，并编码可解释的时频模式，但相应分析方法与证据强度需查阅全文。 复现时应重点核对离散化是否保留任务相关信息、预训练与微调的数据边界、单通道与多通道方法的对照条件，以及解释性分析如何关联 token、频率成分和类别。实验协议、消融及统计信息尚未验证；代码、模型权重与完整复现条件也未由当前材料确认。