更干净生物信号的价值：高保真神经压缩器实现从较干净 iEEG 向较嘈杂 EEG 的迁移

基于摘要分析。该研究考察同源但信号质量不同的 iEEG 与头皮 EEG 如何影响深度学习压缩模型，提出高保真神经压缩器 BrainCodec，并通过信号重建、下游任务及专家评估检验压缩后的信息保留情况。核心贡献是将较高信噪比数据的训练价值与 EEG/iEEG 压缩保真问题结合，而非提出新的癫痫检测或运动想象分类算法。 在训练策略上，作者报告，在 iEEG 上训练 BrainCodec 后迁移至 EEG，比直接在 EEG 上训练获得更高的重建质量；联合使用 EEG 与 iEEG 训练也能改善 EEG 重建保真度。这支持作者关于较干净数据有助于跨模态学习的结论，但摘要未交代迁移是否包含微调、模态间通道与采样率如何对齐，以及训练数据规模是否匹配。模型结构、压缩表示、损失函数及推理流程尚未验证。 在压缩与评估方面，作者报告，BrainCodec 在其 EEG 与 iEEG 实验中可实现最高 64 倍压缩，且未出现明显质量下降，并在最终压缩比和重建保真度上优于所比较的现有压缩模型。作者还使用标准深度学习模型评估压缩信号上的癫痫检测与运动想象任务，报告未观察到下游性能下降；一名神经科专家的主观评估也支持其重建质量。摘要未提供数据集、被试数、数据划分、具体指标、基线名称或统计不确定性，因此不能判断这些结论是否适用于跨被试、跨会话或跨数据集条件，也不能将任务保真等同于临床有效性。 复现时应优先核对压缩比的计算口径、重建指标与任务指标是否一致支持结论，以及 iEEG 迁移收益在控制训练数据规模后的稳定性。摘要提供了代码仓库，但代码完整性、数据可得性、实验协议、消融及统计信息尚未验证。