CSBrain：用于 EEG 解码的跨尺度时空脑基础模型

基于摘要分析。CSBrain 面向通用 EEG 解码，针对现有 EEG 基础模型采用尺度无差别的密集建模、可能忽视神经活动跨尺度时空结构的问题，提出结合跨尺度时空分词与结构化稀疏注意力的基础模型。 核心机制包括两个交替堆叠的组件：Cross-scale Spatiotemporal Tokenization（CST）在局部时间窗口和解剖脑区内聚合多尺度特征，形成紧凑、具有尺度感知能力的 token 表征；Structured Sparse Attention（SSA）建模跨时间窗口与跨脑区的依赖。作者将 SSA 的作用描述为丰富尺度多样性并排除伪依赖，通过与 CST 交替堆叠逐步整合跨尺度时空关系。摘要未提供尺度设置、脑区划分、稀疏连接构造、训练目标或预训练流程，具体实现尚未验证。 作者报告，在覆盖 11 项代表性 EEG 任务、16 个数据集的实验中，CSBrain 持续优于任务专用模型及较强的基础模型基线。不过，摘要未列出任务与数据集名称、具体指标、增益幅度、基线配置及被试内、跨被试、跨会话或跨数据集划分，因此不能据此量化其优势，也不能将多任务评估直接等同于已验证的跨数据集泛化能力。 该工作的具体阅读价值在于，将 EEG 的时间尺度差异和空间组织直接纳入表征与依赖建模，而不是仅扩大统一密集架构。复现时需核对 CST 与 SSA 的独立贡献、脑区映射及通道配置要求、预训练与下游评估的数据隔离，以及计算成本。实验协议、消融及统计信息尚未验证；模型权重、代码和完整复现条件也无法由当前摘要确认。