LUCID：用于 EEG 解码的冻结无监督扩散特征

基于摘要分析。该研究关注 EEG 表征评估中的混淆：基础模型经全量微调后的性能，同时反映预训练表征与下游标签监督的贡献。作者提出 LUCID（Latent Unsupervised Characterisation from Internal Diffusion），在每个数据集上从头进行无监督扩散模型训练，随后冻结模型，以小型线性探针读取内部激活，用于检验不经任务微调的表征能力。 机制上，LUCID 针对 EEG 的时间自相关、多时间尺度节律及跨电极协方差非平稳性设计去噪器。时间维采用保留时间结构的结构化长卷积，避免分块或 token 化对时间动态的粗化；每个模块内引入 CoSMO 空间调制算子，根据当前窗口自身的协方差适应空间关系。摘要未提供扩散目标、噪声调度、特征提取位置及 CoSMO 的具体计算形式，这些实现细节尚未验证。 评估覆盖十二个数据集上的十项 EEG 解码任务，对照包括七种任务专用监督网络、一种扩散表征模型及六种全量微调的基础模型。作者报告，在其中五个数据集上，LUCID 的冻结特征与表现最好的全量微调基础模型持平。作者另将基础模型冻结、仅训练预测头进行重评估，报告 LUCID 在基础模型微调增益较小时持平，在微调增益较大时落后；这支持同时报告冻结与微调评估，而非说明两种训练路线普遍等效。 标签效率方面，作者报告，在一半数据集上，使用四分之一标签即可达到 LUCID 全标签条件下的 Accuracy，其余数据集保留至少五分之四的全标签 Accuracy。摘要未说明具体数据集、标签抽样方法、被试内或跨被试等划分协议、绝对 Accuracy，以及“持平”的统计判定标准；实验协议、消融及统计信息尚未验证。 除解码外，作者报告合成 EEG 能捕捉真实记录的部分频谱、时间与空间结构，但摘要未给出相应指标，不能据此认定其可用于有效数据增强。作者称源代码已公开，具体获取位置、训练成本与复现配置仍需核对。