论文针对现有EEG基础模型普遍采用全局统一建模而忽略脑电时空异质性、跨数据集泛化能力受限的核心问题，提出CBraMod——一种基于十字交叉建模策略的新型EEG基础模型。其核心思想是针对EEG信号的独特结构，分别并行建模空间与时间维度的依赖关系。模型首先通过固定时间窗口将EEG切分为patch，采用时频双分支网络提取局部特征；随后设计非对称条件位置编码（ACPE）动态生成位置信息，适配不同通道配置与

论文针对脑电（EEG）信号分类数据匮乏、个体差异大的问题，提出一种名为BENDR的深度学习框架，将Transformer与对比式自监督学习相结合，在大规模未标注EEG数据上预训练通用特征表示。该方法首先通过卷积网络将原始EEG信号下采样为固定长度的向量序列（BENDR 表示），然后使用Transformer编码器对随机掩码后的时序特征进行对比学习。

论文针对生物信号（如EEG、ECG）数据格式多样、通道不匹配、采样长度不一、缺失值普遍的痛点，提出名为BIOT的通用生物信号编码框架。该模型通过创新的分通道token化策略，将异构生物信号统一转化为“生物信号句子”结构，结合线性Transformer实现跨格式、跨数据集的联合学习与知识迁移。实验在EEG癫痫检测、癫痫分型、脑电异常检测、ECG心律失常分型、人体活动识别等多个任务的结果显示原生BIO

论文针对脑电（EEG）信号信噪比低、被试间差异大、通道配置不匹配，导致鲁棒通用的特征提取困难的问题，提出了名为EEGPT的预训练Transformer模型，参数量超千万级，面向通用EEG特征提取任务。该模型设计了基于掩码的双自监督学习方法，在传统掩码重建的基础上引入时空表征对齐：以高信噪比、富含语义的EEG表征为自监督目标，而非原始信号，缓解了低信噪比下特征提取质量差的问题。同时模型采用分层结构，

论文针对现有EEG预训练模型需针对每个下游任务全量微调、通用性差、计算与存储资源浪费严重的问题，提出NeuroLM——首个融合大语言模型能力的EEG多任务基础模型，其核心思想是将EEG信号视作一门“外语”接入LLM框架。模型训练分为三个阶段：首先通过向量量化时频预测来训练文本对齐的神经分词器，将连续EEG信号编码为离散神经token；随后冻结VQ编码器，将EEG token输入大语言模型，通过多通

论文针对当前脑电（EEG）深度学习模型普遍面向特定数据集与任务定制、模型规模受限、感知能力与泛化性不足的核心问题，提出名为LaBraM的大规模EEG基础模型框架。该模型借鉴大语言模型的自监督预训练思路，通过将EEG信号切分为通道补丁（channel patch）解决不同数据集通道数、时长异构的问题；设计向量量化神经频谱预测任务训练语义丰富的神经Tokenizer，将连续EEG信号编码为离散神经码；