临床脑电图判读长期依赖专家逐页查看，近年出现的EEG基础模型则要先在大规模无标注脑电上预训练。研究把脑电片段画成临床医生熟悉的双极导联波形图或频谱图，连同固定文本提示一起交给通用视觉语言模型Qwen3-VL，不做任何EEG预训练。在4秒发作间期癫痫样放电检测的vEpiSet上，Qwen3-VL-4B经LoRA适配取得0.835平衡准确率，高于全量微调的BIOT的0.763；在TUEV的EEG-Bench划分上，Qwen3-VL-8B以0.750略高于0.739的次优单任务模型。
脑电基础模型REVE不再需要全量微调或整层池化特征才能做情绪识别。此前这类模型在跨被试任务上尚未稳定超过专用架构，且表征计算与存储代价高。该做法把第一层单个注意力头的注意力权重按试次聚合成通道间加权连接矩阵，再用无标签的对称性打分挑出信息量最大的头，在SEED-IV上以经典分类器取得42.13的平衡准确率，计算量比全层注意力池化少约176倍。
脑电基础模型微调多了一个即插即用适配器DEFT。此前预训练嵌入里保留大量与受试者相关的变异，下游分类器在跨受试者场景下要额外承担这部分负担。DEFT把预训练令牌拆成面向任务的内容分支和与受试者一致的风格分支，只从内容分支做预测，并用递归高斯细化、时间方差正则、受试者感知对比学习和重建来实现这种先分解再分类的设计。在多个脑电数据集和四个基础模型骨干上，它优于匹配的微调基线，消融与分析支持内容与风格的分支组织。
该研究用预训练于TUEG的轻量CNN–Transformer脑电基础模型提取冻结表征，在TUEP上映射到共享潜在状态空间，并对每位受试者独立拟合稀疏多项逻辑转移分布，得到个性化潜在转移依赖图；结果发现癫痫与非癫痫受试者的受试者内预测拟合几乎相同，但癫痫组学到的依赖结构明显更稠密，且这些图特征仍保留中等程度的组别区分信息。
ZeroMAG 提出一种零样本多模态适配器生成框架：在冻结 EEG 编码器与预测头的前提下，仅用无标签目标校准记录和任务上下文，通过配置不变的 1+N 适配器结构、模态–被试–任务条件，以及从源适配器学到的函数约束隐空间生成适配器权重；在六个留出目标数据集和三个 EEG 基础模型骨干上，其平衡准确率平均比仅 EEG 推理高 7.22 个百分点、比直接权重回归高 4.89 个百分点，平均仅比有监督多模态适配低 0.50 个百分点，且无需目标标签或目标端优化。
该研究把EEG自监督预训练中的掩码策略统一为空间半径、时间长度与掩码比例三参数框架，在固定REVE-Small骨干与同一预训练语料下用MAE和JEPA两种框架各训练一组模型（共58个），在OpenEEGBench的12个数据集上用线性探针评估，发现两种框架一致的最优掩码为中等空间半径配短时间块，并识别出JEPA在“全通道”掩码下特有的偏置膨胀坍缩失效模式。
已读完全部报道