GeoNIRS：异构fNIRS几何感知预训练

基于摘要分析。该研究针对 fNIRS 数据集之间通道数、探头布局、信号分布及任务类型差异导致的联合预训练困难，提出几何感知框架 GeoNIRS。其核心贡献是以光源与探测器位置建立共享空间参考，将不同大小的通道集合压缩为固定大小的潜在表征，并结合 HbO/HbR 双向交叉重建与连续时间掩码开展预训练。 机制上，GeoNIRS 显式利用物理通道几何，而不只依赖各数据集的通道排列。HbO/HbR 分别对应氧合与脱氧血红蛋白，交叉重建旨在利用两类血流动力学信号之间的关联学习表征。摘要未提供具体编码器结构、几何编码方式、重建损失形式、掩码比例及潜在表征大小，这些实现细节尚未验证。作者声称，这是首个在异构通道配置联合预训练中显式建模物理通道几何的 fNIRS 框架；该优先性主张尚未独立检索确认。 预训练与评估方面，GeoNIRS-base 使用八个异构数据集，GeoNIRS-large 扩展至 22 个数据集。作者说明预训练不使用下游数据或标签，并在严格跨任务设置下评估八个留出任务，覆盖临床与听觉评估、疼痛与情感加工、语义解码及运动功能。具体数据集名称、被试数量、下游划分及是否同时满足跨被试、跨会话或跨数据集条件，摘要未明确，不能将跨任务协议等同于这些设置。 作者报告，在上述留出任务评估中，GeoNIRS 的任务平均 Balanced Accuracy 高于所比较的传统机器学习、fNIRS 专用、通用时间序列及 fNIRS 预训练基线。相较随机初始化，预训练在线性探测下使平均 Balanced Accuracy 提高 4.12 个百分点，在全量微调下提高 3.30 个百分点，且标签稀缺时收益更大。作者还报告模型对输入通道缺失具有鲁棒性，几何扰动与预训练消融支持通道几何和跨血红蛋白重建均对表征有贡献；绝对分数、缺失通道比例、消融幅度及统计不确定性尚未验证。 复现价值主要在于检验空间几何对异构 fNIRS 数据整合的作用，以及预训练收益能否在一致的下游协议下重现。作者称提供完整源代码和可下载预训练检查点，但材料未给出对应地址，实际可用性尚未核验。上述结果属于 fNIRS 表征学习证据，不直接证明在线 BCI 效用。