NERVE：具有电极–脑交互的噪声与变异鲁棒 EEG 基础模型

基于摘要分析。该研究针对 EEG 采集中的低信噪比、样本间高变异性，以及电极位置所形成的空间依赖，提出 EEG 基础模型 NERVE。其核心贡献是将去噪离散 token 学习、掩码建模和电极位置感知结构结合，而不只处理不同数据格式的兼容问题。 预训练分为两个环节：首先训练噪声鲁棒的神经 tokenizer，将 EEG 片段编码为离散 neural tokens；通过去噪时域–频谱预测，从加入噪声的输入重建原始信号的时间与频率信息。随后，基础模型预测被掩码 EEG 片段对应的离散编码，并结合旨在促进 EEG 表征均匀性的变异鲁棒目标。摘要未提供该目标的具体数学形式，不能据此认定其实现了跨被试或跨数据集分布对齐。 tokenizer 与基础模型均采用电极位置感知 transformer，作者描述其通过注意力机制捕获电极与脑区之间的空间依赖。电极位置如何编码、脑区如何表示，以及不同电极布局如何适配，尚未验证；这里的“电极–脑交互”应理解为模型的空间建模机制，而非已经验证的生理因果关系。 作者报告，NERVE 在多种 BCI 任务上具有竞争性表现，相较已有 EEG 基础模型提高了对噪声和变异性的鲁棒性。摘要未给出具体任务、数据集、被试数、指标、基线或被试内／跨被试／跨会话／跨数据集协议，因此无法量化提升幅度，也不能直接判断泛化范围。 复现时应重点核对噪声增强与测试噪声的对应关系、表征均匀性目标是否保留任务判别信息，以及电极位置建模在布局变化下的作用。完整实验协议、组件消融及统计信息尚未验证，训练规模、权重与代码可用性也尚未确认。