UniPopT：颅内 EEG 在哪些方面有助于脑信号基础模型？

基于摘要分析。本文研究 iEEG 是否以及通过何种机制改善脑信号基础模型的解码能力，提出统一处理头皮 EEG 与 iEEG 的 Population Transformer——UniPopT，并通过外部基准上的消融分析区分预训练数据与电极空间编码的作用。 机制上，冻结的单通道编码器将每个电极的信号转换为 token，球面坐标与模态位置编码提供电极位置和模态信息，聚合器则使用两种模态的数据，以 next-segment 和 replaced-token 目标进行预训练。摘要未给出这些目标的具体损失形式、编码器来源或冻结前的训练过程，相关细节尚未验证。作者指出，此前一项报告 EEG–iEEG 联合预训练增益的工作未使用电极坐标；本文因此着重考察空间信息在利用 iEEG 中的作用。 结果方面，作者报告：在两个常用临床 EEG 语料库的官方评估划分上，UniPopT 优于使用相同记录训练的既有方法；在外部 Brain4FMs 基准上，获得头皮 EEG 排行榜的最佳平均排名，以及颅内 EEG 排行榜的最高 Accuracy。摘要未提供两个临床语料库的名称、任务、具体分数或被试划分，不能据此判定这些结果属于被试内、跨被试或跨会话评估，也不能直接比较不同协议下的表现。 作者报告，在同一外部基准的消融中，完整模型优于所有消融变体，增益来自聚合器预训练语料中的 iEEG，而球面编码使模型能够利用预训练时未见的电极布局。作者还分析了每名被试微调数据量与解码表现的关系，并报告增加电极所带来的大部分增益通过球面坐标实现；具体曲线、效应大小与统计不确定性尚未验证。 复现时需重点核对两种模态的预训练数据构成、电极坐标定义与跨模态对齐、未见电极布局的评估方式、微调数据量控制及消融配置。实验协议、消融及统计信息尚未验证；当前证据支持将其视为 EEG/iEEG 统一建模与空间编码作用的研究，而非已经证明 iEEG 对所有 BCI 任务均有收益。