原生皮层表面上的表征学习：从几何到个体特征

基于摘要分析。本文研究如何在保留个体皮层几何细节的前提下，将不规则原生皮层网格用于 Transformer 表征学习，提出端到端框架 Native Cortical Surface Representation Learning Model（NCS-RL），面向表型预测和功能图谱回归，而非直接研究 EEG 解码或 BCI 控制。 其核心是先建立适配模型的表面表示。Canonical Surface Generator 为不同被试构造共享的规则拓扑网格，再通过微分同胚形变将个体几何细节映射到该网格。作者将这一过程用于 Transformer 的 token 化、被试间对应及解剖保真的数据增强，旨在减少球面投影对原生几何细节的损失；具体形变约束及保真度评估尚未验证。 Cortical Transformer 采用双路径结构：一条路径使用 Adjacency Self-Attention，依据原生表面的邻接先验学习局部几何模式；另一条路径捕获全局上下文，再由门控机制融合。摘要未提供注意力计算细节、训练损失或预训练目标，尚不能确定各模块的独立贡献。 作者报告，模型在来自 ABCD、HCP 和 ABIDE 的超过 5,000 名被试上进行预训练，并在包含表型预测、功能图谱回归的实验及消融中取得其所称的最先进表现。摘要未给出具体指标、对照方法、下游数据划分及统计信息，因而不能量化收益，也不能据此认定跨数据集泛化能力。作者称实现已放入补充材料并计划发布，本次未核验。 该方法依赖个体皮层表面网格与几何对应关系，不可直接视作 EEG 时序建模方法。其几何表示是否能服务于源空间神经信号分析尚未验证，已有 EEG 相关工作亦尚未检索确认。复现时需核对表面重建与配准流程、预训练和下游样本关系、几何保真度指标，以及共享拓扑、局部注意力和数据增强的消融结果。