DARE-EEG：挖掘EEG双对齐表征的基础模型

在大规模EEG数据上通过掩码重建预训练的基础模型，已成为学习可跨多种脑机接口应用泛化的神经表征的一种有前景范式。然而，一个关键却被忽视的挑战是：EEG编码器必须学习对不完整观测不变的表征——当同一信号的不同掩码视图之间几乎没有重叠时，现有方法无法将其约束到一致的潜在子空间，导致迁移性退化。为此，我们提出DARE-EEG，一个自监督基础模型，它在预训练期间通过双重对齐表征学习显式地强制掩码不变性。具体而言，我们引入掩码对齐，通过对比学习约束同一EEG样本多个掩码视图的表征；辅以锚点对齐，将掩码表征与动量更新的完整特征对齐以保证语义稳定。此外，我们提出conv-linear-probing，一种参数高效策略，通过解耦的频谱-空间投影将预训练表征适配到异构的电极配置和采样率。在多种EEG基准上的大量实验表明，DARE-EEG在准确率上持续达到最先进水平，同时相比现有方法保持相对较低的参数复杂度和更优的跨数据集可移植性。此外，DARE-EEG有助于有效发现和利用EEG中丰富的潜在表征。