CoordConformer：使用 Transformers 解码异构 EEG 数据集
基于摘要分析。本文研究不同 EEG 数据集在电极数量、电极位置及任务定义上的差异如何妨碍迁移学习，提出 CoordinateAttention，以电极传感器的三维坐标学习空间关系并动态生成空间卷积核，用于异构电极配置下的 Cross-dataset 训练与特征提取。 核心机制是将电极几何位置用于空间特征提取，而非仅依赖固定通道配置。摘要明确说明坐标驱动的动态空间卷积核，但未交代 CoordinateAttention 与标题中 Transformers 的具体连接方式、时序建模结构、损失函数或训练流程。这些实现细节尚未验证；不同任务定义如何对齐也需查阅全文。 作者报告，模型在多种 EEG 解码设置下表现良好，并对数据损坏具有鲁棒性。摘要未提供数据集名称、被试规模、被试内或跨被试划分、具体指标、对照基线及损坏类型，因此无法量化提升，也不能据此认定对任意缺失通道或电极位移均有效。实验协议、消融及统计信息尚未验证。作者还将 CoordinateAttention 定位为利用几何位置信息进行特征提取与数据融合的通用方法，这一适用范围仍需具体实验支持。 复现时应重点核对三维坐标的来源与归一化方式、不同电极配置的输入组织、动态卷积核生成过程，以及 Cross-dataset 训练中的任务和标签对应关系；还需确认鲁棒性评估的扰动条件及幅度。上述信息决定能否区分坐标建模本身的收益与训练数据规模、任务差异等因素的影响，目前摘要不足以确认。
阅读价值：值得阅读的具体原因是 CoordinateAttention 利用电极三维坐标动态生成空间卷积核，为异构电极配置下的 Cross-dataset EEG 特征提取提供了明确机制，但其性能优势与鲁棒性仍需结合全文实验协议核对。