利用通用时间序列基础模型进行 EEG 分类

基于摘要分析。研究考察通用时间序列分类基础模型能否迁移至 EEG 的运动想象分类与睡眠分期，核心贡献是比较跨领域真实时间序列预训练和纯合成数据预训练两种方案，探索 EEG 分类是否必须依赖 EEG 专用预训练。 方法上，作者采用一个近期提出的时间序列分类基础模型，分别以多个领域的异质真实时间序列和纯合成数据进行预训练，再评估其在 EEG 任务上的表现。摘要未给出该模型名称、输入表示、预训练目标，也未说明下游采用冻结特征、微调还是其他适配方式，这些机制及复现条件尚未验证。 作者报告，在所考察的运动想象分类与睡眠分期评估中，两种预训练方案均取得较强表现，并持续优于卷积基线 EEGNet 和 EEG 专用基础模型 CBraMod。摘要未提供数据集、被试数、数据划分、被试内或跨被试协议、指标及具体数值，因此不能量化优势，也不能据此认定跨被试或跨数据集泛化已经得到验证。实验协议、消融及统计信息尚未验证；需要核对预训练数据组成、模型规模、下游训练预算与基线配置，才能判断优势的来源与适用范围。 平台推测（待验证）：该工作的潜在价值在于检验非神经来源或合成时间序列表征是否能提供 EEG 分类所需的可迁移信息，而非预设 EEG 专用预训练必然占优。其适用性可能受 EEG 低信噪比、通道配置变化、被试差异及小样本微调影响。一个可检验的小实验是在固定 EEG 数据划分、输入处理及下游训练预算的条件下，对照两种预训练方案与随机初始化，分别观察被试内和跨被试表现；该实验建议不属于摘要已验证的结果。相关 EEG 迁移工作的既有证据尚未检索确认。