RECTOR：用于情感与认知表征学习的区域—通道—时间掩码建模

基于摘要分析。该研究针对情感与认知障碍相关脑网络动态分布于不同区域、通道和时间，导致 EEG/sEEG 稳健表征学习困难的问题，提出端到端自监督框架 RECTOR（Masked Region-Channel-Temporal Modeling）。其主要贡献是联合学习区域—通道—时间表征，并通过自适应功能区域减少对固定解剖先验的依赖。 核心机制为 RECTOR-SA：由 Adaptive Functional Partitioning 引导的层次化块稀疏自注意力，使区域结构从静态解剖定义转向自适应功能分区。自监督训练采用 Masked Topology and Representation Learning，联合优化 Masked Predictive Modeling、Topological Structure Modeling 与 Cross-View Consistency 三项互补目标。摘要未给出功能分区的计算方式、掩码策略、各目标的具体损失形式或训练与推理细节，尚不能判断各模块的独立贡献。 作者报告，在多种基准上的 EEG emotion recognition 与 sEEG task-engagement classification 中取得新的最先进结果，并表现出较强的缺失通道鲁棒性及跨电极配置泛化能力；摘要未提供数据集名称、被试规模、指标数值、对照基线或被试内、跨被试等划分背景，因此无法量化优势或直接比较不同协议的结果。临床诊断是研究动机，摘要中的任务结果不等同于临床诊断有效性验证。 作者认为，这些性质支持在异构 EEG/sEEG 上进行大规模预训练的潜力，并可提供区域与通道层面的可解释信息；其预训练规模、解释性评估及适用边界尚未验证。复现需进一步核对功能分区是否随样本变化、不同电极配置如何对齐、缺失通道的模拟与评估方式，以及数据划分、消融和统计信息；代码、权重与实现条件亦尚未验证。