通过任务语义对齐从单通道 EEG 预测认知任务

基于摘要分析。该研究针对不同实验室 EEG 数据在任务、被试和设备上异质、纯信号自监督表征未能稳定直接支持认知状态解码的问题，将实验指令、刺激与反应要求编码到共同语义空间，并训练 EEG 编码器，使单个前后向差分通道的信号与任务语义向量对齐，探索零样本和少样本认知任务预测。 核心机制是以任务信息为 EEG 表征提供语义约束，而非仅从信号自身学习。零样本预测不使用目标条件校准；少样本预测引入有标签 EEG。摘要未说明语义编码器、对齐损失、信号处理、训练规模及任务划分细节，因此目前不能判断语义相近任务间的泛化边界，也不能据此视为已发布可复用的 EEG 基础模型。 作者报告，在保留的十分类评估中，观测到的最高零样本 Balanced Accuracy 为 30.13%，机会水平为 10%。在另一个开发性少样本实验中，使用来自另一名被试的每类 16 个有标签 EEG 样本时，Balanced Accuracy 达到 34.47%；使用测试被试自身任务记录中的样本时达到 74.99%。后者的样本数量及记录内划分方式未在摘要中明确，不能将这两类结果直接解释为统一协议下的增益，也不应与保留评估混为一谈。 作者报告，每名被试包含多种任务的数据似乎更有助于训练；加入仅含一种或少数任务的数据集，有时反而降低已有表现，即使任务覆盖更广。这提示数据组织方式可能影响任务与个体差异的分离，但摘要尚不足以确认原因。作者据此建议，在相同个体中跨天、跨设备及独立研究重复采集多种认知任务和日常活动，以支持认知状态预测基础模型的训练。 复现时需核对任务与被试隔离方式、任务语义构建、最高结果的选择依据，以及测试被试自身记录中训练样本与评估样本的关系；这些属于待核对事项，不能据摘要认定存在问题。实验协议、消融及统计信息尚未验证。