NeuroMI：用于运动意图神经解码的渐进式 EEG 基础模型构建

基于摘要分析。该研究面向运动想象（MI）BCI 中的数据稀缺、被试间差异及跨数据集泛化问题，提出三阶段 EEG 基础模型框架 NeuroMI，通过通用 EEG 自监督预训练、MI 专项预训练和下游任务适配，缩小通用表征与 MI 特异性神经特征之间的差距。 核心机制：第一阶段设计通用 EEG 编码器，在大规模 EEG 语料上进行自监督学习，获得可迁移的时空频谱表征；第二阶段构建约 300,000 个样本的多数据集 MI 专项 EEG 语料，并以神经生理学启发的目标进一步训练编码器，使其聚焦运动相关神经动态；第三阶段通过轻量任务专用头适配下游 MI 任务。摘要未给出编码器结构、自监督任务、专项目标的具体形式，也未说明样本的切窗方式、独立试次数或被试规模，因此该样本量不能直接视为独立观测数量。 结果与对照：作者报告，在多个公开 MI 数据集上，NeuroMI 持续优于通用 EEG 基础模型和传统 MI 专项架构，并获得与既有 MI 神经生理学相符的可解释表征。但摘要未列出数据集名称、具体 Accuracy 数值或其他指标，也未明确各结果对应的被试内、跨被试及跨数据集划分，尚不能量化增益或判断其适用范围；可解释性的验证方法亦尚未验证。 复现重点：需核对通用与 MI 专项预训练语料和下游测试集之间的被试、会话及数据集隔离，比较三阶段方案与直接微调在一致训练预算和数据条件下的表现，并检查专项训练目标及轻量任务头各自的贡献。预训练语料来源、预处理、训练配置、权重与代码可得性，以及实验协议、消融及统计信息尚未验证。作者将结果视为迈向真实场景稳健 MI 解码的路径，但摘要不足以确认在线 BCI 部署效果。