超越布局兼容性：理解与复用 EEG 基础模型中的空间先验

基于摘要分析。本文研究 EEG 基础模型在异构采集设置下如何有效复用预训练的电极位置知识，指出能够接纳某种电极布局并不等于能够充分利用预训练空间先验。作者提出 RADAR，以 Spatial Positional Remapping（SPR，空间位置重映射）为核心，将预训练电极向量作为空间锚点，通过几何重映射初始化目标位置编码。 机制上，作者理论分析了位置参数化如何影响电极特异性学习，据此提出复用独立参数化的电极向量。RADAR 通过适配不同骨干模型的接口支持跨模型复用，并结合 Spatio-Temporal Regularization（STR，时空正则化）与 Distributionally Robust Optimization（DRO，分布鲁棒优化），考察位置知识复用能否与数据层面及优化层面的改进互补。摘要未提供几何映射公式、目标电极编码的构造细节、接口实现或具体损失形式，尚不能据此确定复现实现。 作者报告，在多个 EEG 解码任务和基础模型上，RADAR 改善了下游性能，SPR 在多数受评估设置中优于其他位置编码。作者还报告，学习到的空间信息在原有电极配置及模型架构之外仍有用途，且在匹配辅助训练条件后，SPR 仍带来额外增益。这些结论针对摘要所述评估范围，尚不能扩展为任意电极布局或任意基础模型上的普遍有效性。 其可核对的研究价值在于区分“输入布局可兼容”与“预训练位置知识被有效利用”，并尝试隔离位置复用与辅助训练的贡献。具体数据集、被试数量、被试内或跨被试等划分协议、对照编码、评价指标和增益幅度均未在摘要中披露；实验协议、消融及统计信息尚未验证。复现时需核对电极坐标及映射规则、预训练向量的可获取性、骨干接口与训练参数，并确认匹配辅助训练条件的比较如何实施。