BIOT：面向真实场景跨数据学习的生理信号 Transformer

基于摘要分析。本文研究不同数据集的生理信号在通道、长度和缺失值方面存在差异时，如何构建可联合预训练并适配下游任务的统一编码器，提出 Biosignal Transformer（BIOT）。研究对象包括 EEG、ECG 和人体活动传感信号，并非仅针对 BCI。 核心机制是将各通道分别切分为包含局部信号特征的固定长度片段，把片段作为 token，再重排为统一的长“句子”；每个 token 加入通道嵌入和相对位置嵌入，以保留时空信息。作者据此提出跨数据学习方案，使不同格式的数据能够进入同一编码框架，并支持多数据集联合预训练和下游微调。摘要未给出局部特征提取方式、预训练目标、缺失值处理细节或模型规模，这些实现条件尚未验证。 作者报告，在 EEG、ECG 和人体活动传感信号评估中，BIOT 优于所比较的基线。以 CHB-MIT 癫痫检测任务为例，作者报告未预训练的 BIOT 在 Balanced Accuracy 上较基线提升 3%，利用其他数据源预训练的模型可进一步带来最高 4% 的提升。摘要未明确这些百分比是否指百分点，也未交代具体基线、被试内或跨被试划分及预训练数据组成，因此不能将其直接解释为跨被试泛化收益。实验协议、消融及统计信息尚未验证。摘要提供了公开代码仓库，但代码与论文实验的一致性尚未核对。 平台推测（待验证）：统一 token 化可能缓解 EEG 跨数据集学习中的通道数量和记录长度差异，但通道语义对齐、采样率差异及任务监督仍需适配；低信噪比、少量目标被试和小数据条件可能削弱预训练收益。可在固定目标 EEG 数据划分下，对照从头训练与异构数据预训练后的微调，并施加通道缺失和长度变化，检验其鲁棒性是否确实来自统一编码机制。该假设不代表已验证的 BCI 效果；相关 EEG 后续工作尚未检索确认。