EEG-VID：面向 EEG 解码与辅助目标选择的任务引导潜在预测预训练

基于摘要分析。EEG-VID 针对跨会话、跨被试分布变化下的 EEG 解码，提出任务引导的潜在预测预训练框架，并探索其在场景约束辅助目标选择中的应用。其核心是根据近期 EEG 历史预测未来潜在状态，结合指数移动平均目标编码器和弱任务引导，再进行有监督微调。 与直接预测原始 EEG 波形不同，该框架将预测对象设为潜在表示，任务引导则为预训练提供与下游任务相关的约束。摘要尚未说明潜在预测损失、弱任务引导的具体形式及标签需求、预测时间跨度和目标编码器更新细节，因此不能据此认定其为完全无监督预训练。 作者报告，在 VIG-48 与 BCI Competition IV-2a/IV-2b 上，Stage 1 在按骨干网络、数据集和评估协议匹配的 42 项比较中，有 41 项取得平均 Accuracy 提升，其中包含全部 12 项留一被试评估设置；最大提升为 16.22 个百分点。摘要未给出各项比较的具体基线、绝对分数与增益分布，不能将这一最大增益推广至所有跨被试或跨会话设置。作者报告，在 VIG-48 的 48 区域跨日任务上，Top-1 Accuracy 为 6.52%，Top-5 Accuracy 为 30.50%；两种指标对应不同候选命中条件，不能互换。 作者另报告，在独立的六名参与者离线机器人场景研究中，经被试特定校准后，候选约束目标选择的 Accuracy 达到 40.24%，对应随机水平为 25%。该结果限定于离线、候选约束及个体校准条件，尚不能外推为无需校准的在线辅助控制能力。 复现时需核对 Stage 1 与后续微调的贡献划分、弱任务引导所用监督、预训练及评估数据边界，以及场景候选约束的具体实现。实验协议、消融及统计信息尚未验证；代码、权重及完整训练配置的可获得性也尚未验证。