ERP-FM：用于通用 ERP 分析的基础模型

基于摘要分析。该研究考察 EEG 基础模型能否迁移至 ERP 分析，以及如何统一利用单试次与平均试次 ERP 的互补信息；作者提出面向 ERP 表征学习的基础模型 ERP-FM，覆盖 ERP 事件/条件分类和神经系统疾病分类。 作者构建的预训练语料包含来自 38 个数据集、18 种范式、3,696 名被试的 1,517,157 个单试次 ERP。ERP-FM 采用单通道 tokenization、时间与空间位置嵌入，以及混合掩码自编码进行大规模单试次预训练。摘要未展开混合掩码的具体策略、损失形式及模型规模，这些细节尚未验证。作者将其定位为据其所知首个专门面向 ERP 表征学习的基础模型，该优先性声明尚未独立核实。 在覆盖上述两类任务的 12 个下游数据集上，作者将 ERP-FM 与 17 种现有方法比较，报告其在全部受评方法中取得最佳整体平均排名。该结果是跨评估任务的排名汇总，不等同于每个数据集或每项指标均最优；具体指标、数值、被试内或跨被试等评估协议尚未验证。 作者报告，ERP 与非 ERP EEG 预训练均可提供可迁移至 ERP 任务的表征，而细粒度时间 tokenization 对建模瞬态 ERP 动态十分关键；单试次与平均试次 ERP 则呈互补关系，单试次预训练结合平均试次下游适配可显著改善神经系统疾病分析。摘要未给出对应效应量及统计检验细节，疾病分类结果也不能直接视为临床有效性证据。 复现时值得优先核对时间切分粒度的对照、试次平均与适配流程、预训练及下游数据的被试和数据集重叠情况，以及各任务的划分与指标汇总方式；这些属于待核对事项，并非已发现的问题。摘要提供了源代码地址，但实现、权重、数据获取条件、消融及统计信息尚未验证。