任务驱动的图神经网络预训练：面向运动规划的稳健 EEG 表征

基于摘要分析。该研究针对复杂运动规划中高维、含噪 EEG 难以提取有效表征的问题，提出任务驱动的图神经网络（GNN）预训练策略：利用对比鲜明的任务条件进行预训练，再针对特定目标组微调，以学习不同任务变化下共享的神经活动模式。主要研究对象是具身虚拟现实台球任务中的运动规划 EEG，而非运动想象（MI）解码。 方法以 EEG 的空间图建模为基础，核心思路是借助互补任务动态构造预训练条件，而不是仅在单一静态任务上训练。摘要未说明图节点与边的定义、任务条件如何形成互补关系、预测目标、监督信号、损失函数或微调范围；其中“目标组”是否指被试分组或任务分组也尚未验证，不能据此认定采用了跨被试评估。 作者报告，在不同任务条件下，该预训练策略使平均预测 Accuracy 从 0.53 提升至 0.66/0.69。摘要未交代两个提升值对应的具体条件，也未明确基线训练方式、数据划分及被试内、跨被试或跨会话协议，因此这些结果只能作为所述任务条件下的报告值，不能直接用于与其他 EEG 方法比较。作者据此认为模型提取了能跨任务变化保持稳定的可泛化表征；这一解释仍需结合完整实验核对。 复现时需确认任务条件与标签定义、被试及试次数量、EEG 预处理、图构建方式，以及预训练与微调数据的划分关系，并检验收益是否来自互补条件而非训练数据量变化。实验协议、消融及统计信息尚未验证；当前材料不足以判断该方法对在线 BCI 或其他 EEG 任务的适用性。