LEAD：用于阿尔茨海默病检测的 EEG 基础模型

基于摘要分析。该研究面向 EEG 阿尔茨海默病（AD）检测，针对训练数据规模有限、跨被试泛化不足及记录异质性较大的问题，提出基础模型 LEAD，并整理用于表征学习和评估的 EEG-AD 数据资源。其主要研究对象是疾病检测，而非 BCI 控制任务。 方法上，LEAD 采用门控时空 Transformer，以适应不同记录长度、通道配置和采样率的 EEG；结合被试正则化训练策略，支持端到端的被试级检测；通过 medical contrastive learning 进行预训练。摘要未披露门控机制、对比学习正负样本构造、损失形式及被试级聚合方式，这些实现细节尚未验证。 数据与评估方面，作者报告整理的 EEG-AD 语料包含 2,238 名被试，并称其为迄今规模最大的同类语料；作者也将 LEAD 称为首个用于 EEG-AD 检测的基础模型，这些优先性主张尚未独立核实。预训练使用 13 个数据集，包括 4 个 AD 数据集和 9 个非 AD 神经系统疾病数据集，另在 5 个 AD 数据集上微调与测试。作者报告，LEAD 在这 5 个下游数据集的 20 项评估中取得最佳平均排名，优于所比较的方法，包括现有 EEG 基础模型。摘要未提供具体指标、分数、各项评估协议或基线明细，因此不能将最佳平均排名等同于每项评估均最优，也无法量化提升幅度。 复现时需核对预训练与下游数据的被试独立性、微调和测试划分、异构通道与采样率处理，以及被试级评价方式。来源提供了代码仓库，但代码可运行性、数据可获取性及预训练权重是否开放尚未验证；实验协议、消融及统计信息亦尚未验证。现有摘要支持将其视为 EEG 疾病检测的表征学习研究，尚不能据此确认对其他 EEG 任务或 BCI 场景的有效性。