LEAD：用于基于 EEG 的阿尔茨海默病检测的大型基础模型

基于摘要分析。该研究针对基于 EEG 的阿尔茨海默病（AD）检测中数据规模不足与被试间差异问题，整理了包含 813 名被试的 EEG-AD 语料，并提出基础模型 LEAD，将自监督对比预训练、通道对齐联合微调和被试级检测整合为完整流程。研究对象是 AD 检测，而非 BCI 控制任务；作者称该语料是其所知最大的 EEG-AD 数据集，并称 LEAD 是首个面向该任务的大型基础模型，这些优先性声明尚未独立核实。 方法方面，作者在 11 个 EEG 数据集上预训练，在 5 个 AD 数据集上进行通道对齐后的联合微调。自监督预训练同时采用样本级与被试级对比，以学习通用 EEG 特征；骨干编码器包含时间嵌入与通道嵌入，用于捕捉时间和空间维度的信息。流程还包括数据选择、预处理、被试独立评估，以及通过多数投票形成被试级检测结果。具体对比样本构造、损失形式、编码器规模、通道对齐规则与投票单位尚未验证。 作者报告，在所述被试独立评估框架下，相较其称为当前最先进的方法，样本级 F1 最高提升 9.86%，被试级 F1 最高提升 9.31%。摘要未明确这些提升是相对百分比还是 F1 的百分点变化，也未给出绝对 F1、具体对照方法及各数据集的结果，因而不能据此判断统一效果大小。作者将结果解释为对比预训练与通道对齐联合微调有助于应对被试间差异，但各模块的独立贡献仍需核对全文。 复现时应优先核对预训练与微调数据组成、被试划分及其相互关系、预处理和通道对齐细节，以及样本级结果转为被试级结果的规则；被试独立评估不应直接等同于跨数据集泛化。摘要提供了源代码地址，但代码可运行性、模型权重、数据访问条件、实验协议、消融及统计信息尚未验证。该研究支持的是 EEG 辅助 AD 检测的方法探索，摘要不足以确立临床诊断有效性。