时空预测：面向 EEG 分类的多样化数据集预训练
基于摘要分析。该研究针对 EEG 预训练中时间或空间信息利用不完整、预训练数据来源单一的问题，提出 Temporal-Spatial Prediction（TSP），通过联合时空预测和多数据集预训练，支持不同 EEG 分类下游任务的微调。 核心机制是将 TSP 编码器的输出用于两个预训练任务：空间预测采用 masked autoencoder，时间预测采用 contrastive predictive coding。前者旨在学习空间信息，后者旨在学习时间依赖；摘要未提供掩码粒度、预测目标、损失组合及编码器结构，具体实现尚未验证。 预训练使用六个大型 EEG 数据集，覆盖四种不同的通道数量。其设计意图是增加预训练信息的多样性，改善下游微调，但摘要未列出这六个数据集，也未说明不同通道配置如何对齐、采样或输入统一编码器，不能据此认定模型已具备任意通道配置下的泛化能力。 作者报告，在三个公开下游数据集 SEED、SEED-IV 和 TUEV 的 EEG 分类任务上，TSP 达到当时的 state-of-the-art 表现；摘要未提供具体指标、数值、对照基线或被试内、跨被试等划分协议，因此该结论的适用范围尚待全文核对。作者还报告，消融实验中 TSP 优于仅使用时间预测的 Temporal Prediction（TP）和仅使用空间预测的 Spatial Prediction（SP），支持联合时空任务的设计动机。 复现时需核对预训练与下游数据的关系、通道处理方式、预训练及微调设置，并确认 TP、SP 与 TSP 的训练预算和评估协议是否一致。实验协议、消融及统计信息尚未验证；摘要也未提供代码或预训练权重的可用性信息。
阅读价值：值得阅读的具体原因是 TSP 将空间掩码重建与时间预测编码结合，并在多数据集、不同通道数的 EEG 上预训练；作者报告的双任务优势为核对时空联合预训练的贡献提供了直接对照，但评估协议尚未验证。