用于自然行为期间人类颅内记录建模的可扩展自监督方法

基于摘要分析。该研究面向自然行为期间的人类 iEEG 记录，提出多参与者自监督学习框架，以应对参与者和会话之间电极位置、通道几何及行为多样性的差异。其核心贡献是利用基于 Perceiver 的架构，通过未掩码通道重建被掩码通道，学习无需行为标签的通道间依赖。 机制上，模型结合可学习的通道身份嵌入与上下文信息进行重建。这为整合不同电极配置下的颅内神经数据提供了建模路径，但摘要未说明通道身份如何跨参与者定义、上下文包含哪些变量，以及电极空间位置如何编码，不能据此认定模型已实现对任意通道布局的泛化。 作者报告，自监督模型经微调后，在一组下游任务上的解码表现得到改善。摘要未提供任务名称、数据集、参与者人数、指标、改善幅度或对照基线，也未明确采用被试内、跨被试还是跨会话评估，因此该结果目前支持下游解码潜力，而非已验证的跨被试通用解码能力。 复现时需核对掩码策略、重建目标与损失、通道和上下文嵌入定义、预训练与微调数据划分，以及不同电极配置下的评估方式。实验协议、消融及统计信息尚未验证；可扩展性是否包含计算成本与数据规模方面的实证，也需全文确认。研究对象是人类颅内记录，不宜直接将其结果外推至头皮 EEG 或在线 BCI。