利用 Spectrum Video 实现被试级少样本学习与跨电极配置 EEG 泛化

基于摘要分析。该研究针对 EEG 电极配置异质性及固定“通道优先”架构的局限，提出 Brain Signal Rendering（BSR），将原始 EEG 转换为称作 Spectrum Videos 的结构化时空张量，并结合 VideoMAE 自监督预训练，探索跨被试与跨电极配置的泛化。 核心机制是将 EEG 视为神经活动的物理投影，以渲染后的时空表示衔接视频基础模型，而非仅将各传感器作为独立特征。作者称该表示能够保留神经拓扑，并学习不依赖特定电极布局的时空表征。摘要未说明频谱计算、空间映射、时间组织、缺失电极处理及 VideoMAE 的具体预训练设置，因此尚不能判断布局无关性如何实现，以及视频先验的贡献是否独立于渲染方式。 评估方面，作者采用被试级少样本学习，并引入跨电极配置微调。作者报告，结合 BSR 的 VideoMAE 优于其比较的先进频谱方法，但摘要未提供数据集、被试数、任务、少样本数量、训练测试划分、基线名称、指标或具体数值。跨电极配置微调应与无需目标配置数据的直接泛化区分；目标配置的数据及标签使用方式、实验协议、消融及统计信息尚未验证。 来源提供了代码仓库，但代码内容、运行条件与结果复现情况尚未验证。全文核查重点包括：渲染过程能否在不同电极数量与位置下保持可比较的空间结构；被试级少样本协议如何划分预训练、微调和测试被试；以及 BSR、VideoMAE 自监督预训练与微调策略各自的增益。该工作直接研究 EEG，但摘要中的概括性优势尚不足以确认其对特定 BCI 任务或低信噪比场景的有效性。