被试身份作为捷径：重新审视 EEG 基础模型的自监督预训练

基于摘要分析。该研究考察 EEG 基础模型的自监督预训练是否真正学到可迁移的任务相关表征，核心贡献是识别并分析“被试身份捷径”：模型可能优先编码个体差异，而非获得相应的任务信息增益。 表征审计方面，作者在五个典型 BCI 基准上，对五个已发布 EEG 基础模型的冻结表征进行线性探测、方差分解、t-SNE 与表征相似性分析。作者报告，预训练增强了被试身份信息，却未带来可比的任务相关信息增益。摘要未列出模型与基准名称，也未说明被试内、跨被试或跨会话划分，因此不能据此判断各模型在具体迁移协议下的表现，或把身份可辨识性直接等同于任务性能下降。 机制分析方面，作者在多来源语料上预训练 MAE-style 与 MoCo-style EEG 基础模型。作者报告，掩码重建更倾向于利用与被试相关的空间结构，而非时间上下文；对比学习则利用被试差异维持正样本对一致性，并与主要来自其他被试的负样本区分。这为两类自监督目标如何形成身份捷径提供了不同的机制解释。 干预结果方面，作者报告，采用 Euclidean-aligned targets 未能在 MAE 中抑制该捷径；在 MoCo 中采用同一被试的负样本可减少捷径，但没有带来可靠的任务收益。这提示，削弱身份信息并不自动等于增强任务相关信息，作者据此主张设计显式学习可迁移任务表征的 EEG 专用目标。 复现时需核对预训练语料构成、被试与数据来源的对应关系、正负样本构造、对齐目标的实现，以及线性探测的数据划分和对照设置。全文、具体指标、实验协议、消融及统计信息尚未验证，当前结论应限定于摘要所述模型和评估范围。