BrainMamba：用于多通道耦合时空演化的可扩展 EEG 基础模型

基于摘要分析。BrainMamba 针对异构 EEG 难以统一预训练，以及多通道空间交互与时间演化难以联合建模的问题，将 EEG 表征学习构建为结构化潜在状态演化，并结合专家路由与掩码重建预训练，旨在建立适应不同被试、任务和记录条件的 EEG 基础模型。 核心机制是把多通道 EEG 视为耦合动力系统：潜在状态通过结构化状态空间转移随时间演化，同时持续受跨通道交互影响，以联合描述长时间上下文中的时间变化和通道间耦合。专家路由用于使状态演化适应不同神经活动模式。作者称该设计可扩展至异构通道配置和不同序列长度；路由依据、通道表示与对齐方式、状态转移的具体实现尚未验证，不能据摘要推定其网络结构。 预训练采用掩码建模，通过重建被遮蔽的时空片段学习 EEG 上下文表征。摘要未说明掩码粒度与比例、重建目标、损失形式、预训练数据规模或下游适配方式。这些细节将影响模型是否真正利用跨通道依赖，以及如何处理不同采集协议。 作者提出包含 task-constrained pretraining、channel-consistent transfer 和 xwself-evaluation 的评估范式；其中 xwself-evaluation 的含义在所给材料中不明确，保留原文名称。作者报告，在涵盖情绪、认知和疾病相关基准的超过 10 个数据集上，BrainMamba 持续优于已有 EEG 基础模型，并具有较强的跨场景泛化与可扩展性。但摘要未提供数据集名称、指标、分数、对照模型及被试内、跨被试、跨会话或跨数据集划分，因而无法量化优势或判断各项结果的可比性。 复现与结论核对需关注预训练和评估数据的划分关系、通道一致性约束、专家路由与通道耦合的独立贡献，以及长序列和异构通道条件下的计算成本。实验协议、消融及统计信息尚未验证；代码、权重和数据处理配置的可用性也尚未验证。作者提出的真实部署潜力不等于已完成在线 BCI 或临床场景验证。