DIVER-1：扩展颅内 EEG 基础模型以学习可迁移表征

基于摘要分析。DIVER-1 针对跨患者、跨中心 iEEG 中电极布局、解剖覆盖、参考方案和记录条件不一致导致的表征复用困难，提出不依赖固定电极配置的自监督基础模型，并研究预训练数据、训练时长与模型规模对迁移性能的影响。 方法结合 any-variate 电极–时间注意力、时空重采样、输入条件化位置嵌入及多域掩码重建，以处理可变输入记录。摘要未展开各模块实现、重建域定义及损失细节。作者使用 5,310 小时 ECoG 和 sEEG、合计 352k 通道小时的数据，预训练 DIVER-1-0.1s 与 DIVER-1-1s；作者称该预训练体量约为基于 BrainTreeBank 的预训练体量的 54 倍，但具体比较口径尚需核对。 评估采用两个留出基准：用于自然情境解码的 iMINDBench，以及用于癫痫发作检测的 MAYO。作者报告，在仅使用外部机构无任务临床监测记录预训练的前提下，DIVER-1-0.1s 在两项基准上均优于所比较的既有基础模型，并在 MAYO 上达到最强传统方法的表现。作者还报告，DIVER-1-1s 以低一个数量级的 token 预算获得相近表现。摘要未给出具体指标、分数、微调方式或被试与机构划分细节，不能据此量化优势或确定其对应的跨被试、跨会话泛化范围。 扩展研究控制并考察数据规模、被试数量、训练时长及最高 1.8B 参数的模型规模。作者报告，对掩码重建预训练而言，增加独立记录并充分训练，比单纯扩大参数量更可靠；作者据此强调扩大数据覆盖及改进下游对齐的自监督目标。该结论的适用计算预算、下游一致性及统计不确定性尚未验证。 摘要提供了代码入口，但代码完整性、权重与数据可获取性、实验协议、消融及统计信息尚未验证。本文直接研究 iEEG 表征学习，其在所述基准上的结果不等于已验证在线 BCI 性能。