NeuroCodeX：超越 EEG 联合预训练中的同质化

基于摘要分析。本文研究下游标注数据有限时，如何利用结构异质的 EEG 数据集开展联合预训练。NeuroCodeX 的核心贡献是显式建模电极布局、通道配置与采样率差异，而不是仅通过统一输入结构来合并数据。 技术机制：框架包含 Hierarchical Topographic Encoder 和 Multi-Scale Quantizer。前者通过分层的区域级聚合捕获与解剖结构相关的空间依赖；后者提供适应不同采样率、感知节律的离散监督。摘要未披露区域划分、通道与区域的映射方式、量化目标、损失函数及训练与下游适配流程，这些实现细节尚未验证。 创新与对照：作者将信号重采样、通道填充、掩码或固定通道选择概括为现有方法常用的输入同质化策略，并认为这些操作可能压制数据集特有的结构信息。NeuroCodeX 的方法主张是保留并建模结构差异，以利用不同数据集之间的互补信息；这一主张的独立贡献仍需结合模块消融与具体对照设置核验。 评估与结果：作者报告在四个 EEG 数据集上进行评估，覆盖不同采集设置、通道配置与下游任务，相较所选先进基线取得一致改善，且在数据稀缺条件下收益尤其明显。摘要未提供数据集名称、被试数量、划分方式、指标、数值或低标注预算定义，因此尚不能确定结果对应被试内、跨被试、跨会话或跨数据集协议，也不能量化改善幅度。 复现关注点：摘要提供了匿名代码地址，但代码内容与可运行性尚未验证。需进一步核对联合预训练与下游评估的数据关系、电极位置元数据要求、不同采样率的处理细节、基线配置，以及实验协议、消融及统计信息。现有材料支持将其视为结构感知 EEG 联合预训练方法，尚不足以确认其对未见采集配置的泛化能力。