生理学引导的预训练能改进颅内脑电基础模型吗？

生理学监督把隐式保留改为显式目标

近年多数颅内脑电基础模型通过重建或预测自身输入来学习，临床上有意义的信号属性是否被保留下来，只是隐含的结果。论文的前提是：临床医生本来就依据可直接测量的属性解读颅内脑电，例如波形形态、频率、振幅和形态学变化，而这些属性承载了下游任务所需的大部分信息。因此 PHASE 把它们设为显式学习目标，而不是指望它们在重建目标下自然留存。

这些目标由原始信号计算得到，不依赖标签。在每个 token 位置上，生理学解码器预测三组量：多尺度小波功率，振幅与局部变化度量，以及短窗高频傅里叶功率。小波和振幅目标同时监督被掩码位置和完全可见位置；局部傅里叶目标只监督完全可见的片段；依赖频率的目标只在记录的有效带宽内参与计算。目标用跨记录共享的固定训练统计量做标准化，因此预训练中不引入逐站点归一化或专家标注。

两个阶段分别处理通道内时序与跨通道上下文

PHASE-T 处理单个通道。它的编码器在 32 毫秒网格上产生状态，特征维度为 768，把重叠波形片段上的移位局部注意力，与覆盖最长一分钟输入的池化粗序列上的全局注意力结合起来。精化解码器通过跳跃连接，把上采样的粗尺度上下文与投影后的细尺度特征合并。该编码器在各通道间共享，不使用电极坐标或固定通道身份；这一点很重要，因为电极放置和覆盖范围因人而异，采集习惯也因机构而异。

随后 PHASE-ST 在保持时间编码器冻结的情况下，跨同步通道更新这些表示。它在每个时间位置上独立地对通道做自注意力，并在时间特征空间中加上残差更新，因此参数在各通道间共享，一套参数可服务任意数量的通道。它的预训练还加入通道对之间的关系监督，包括相位锁定值、包络相关、宽带相关和有符号滞后，这些量从干净波形测得，从而把生理学引导从单通道扩展到通道之间活动如何耦合与传播。

预训练使用了来自九个临床站点、222 名参与者的异质记录。

冻结的 PHASE-T 在五项临床任务上全面领先

在 Omni-iEEG 测试集上，同一个冻结 PHASE-T 上的线性探针处理五项时间尺度差异很大的临床任务：持续数十毫秒的高频振荡事件，一分钟窗口内的发作期与睡眠—清醒状态，以及通道的解剖来源。在冻结的单通道比较中，PHASE-T 在每一项任务上都领先三个基础模型基线，领先幅度最大的是 Region-12、Lobe-5 和 Ictal，这些任务依赖区域生理特征和分钟级上下文。它的 Region-12 宏平均 F1 比三个基线中最强的 BrainBERT 高 31%。

冻结的 PHASE-T 在 HFO、Sleep、Lobe-5 和 Channel 上也优于专用模型，尽管这些专用模型各自针对特定任务、使用固定输入格式和预测目标训练。微调之后，PHASE-T 在全部任务上刷新了最优结果；其 Outcome AUC 为 0.7713，超过基于专家高频振荡标注构建的事件模型 PyHFO-Omni。

这些是单一评测套件上的基准分数，不是临床部署结果。比较发生在共享探针协议下的模型家族之间，冻结与微调的区分很重要：冻结分数检验的是不经任务适配的表示质量，微调分数检验的是可达到的最佳性能。

消融显示提升来自生理学目标

最有力的内部检验是匹配消融：四个变体都在 60,000 次预训练更新后冻结，并用同一协议探测。Latent-only 去掉生理学目标；Latent+Recon 把它们替换为对每个被掩码 token 的干净 128 采样波形片段做重建；No-skip 去掉细尺度阶段的跳跃连接。

与 Latent-only 相比，生理学监督在短事件（HFO，0.6276 升至 0.8138）、睡眠（0.5398 升至 0.7413）和解剖定位（Region-12，0.1996 升至 0.3398）上带来的宏平均 F1 提升最大。Latent+Recon 的 HFO 和 Region-12 基本停留在 Latent-only 水平，而完整 PHASE-T 在五项任务上都优于它。论文据此认为，对这些任务而言，生理学监督是比样本级波形重建更有用的预训练信号。跳跃连接另有贡献：去掉它在睡眠上损失 0.15 宏平均 F1，在发作期损失 0.13，说明细尺度特征补充了粗通路的上下文。

由于所有变体共享预训练数据、更新次数和探针，这些差距在这一设定内可归因于被改动的组件，而不是训练预算差异。

在未见机构、少量本地标签下仍可迁移

泛化在临床上很重要，因为各站点记录设置不同，专家标签稀缺。PHASE-T 探针只在 Omni-iEEG 上拟合、原样应用，在 Tohoku 和 NCNP 识别病理通道的表现优于所有用同样数据训练的监督模型，在 NCNP 最明显（ROC-AUC 0.6292，SEEG-NET 为 0.5528）。

在四名本地参与者上微调后做跨参与者病理分类，PHASE-T 在 MAYO 的二分类 F1 为 0.7337，已发表最好结果为 0.40；在 FNUSA 也超过已发表对照（0.6656 对 0.51）。这两种设定回答不同问题——零本地标签迁移与四名参与者适配——且报告的对照数值是已发表结果，而非在完全相同条件下的重跑。

冻结嵌入编码发作扩散与区域身份

任务分数说明嵌入有用；另一项分析在不更新编码器、不拟合探针的情况下考察它们包含什么。在宾夕法尼亚大学医院 53 名参与者的 200 次发作中，论文在最多 32 个白化主成分构成的空间里，测量每个通道相对自身发作前基线的距离，并表示为稳健 z 分数；当某通道首次连续五秒保持在 z = 5 以上时，记为偏离。发作期开始时，临床标记的发作起始区通道比其余通道偏离基线更远、峰值更早，尽管 PHASE-T 的预训练数据不含发作期记录。

偏离时间还沿电极阵列有序排列：离首个偏离通道越远的通道偏离越晚，在 HUP 的 706 个立体脑电电极杆—发作配对中中位 Spearman 相关为 0.60，在另外三家机构的 75 个皮层电极条—发作配对中为 0.66；若在每个阵列内打乱偏离时间，则分别为 0.34 和 0.39。

区域图谱也出现了。按脑区平均后，16,444 个皮层脑电通道的冻结嵌入在不同机构间对齐：UCLA 与 Detroit 之间的 16 个区域匹配中有 14 个正确，约为随机期望值 2 的七倍，且 2,000 次区域标签打乱中没有一次达到该计数（置换检验，p = 5×10⁻⁴）。这些是对冻结特征的描述性分析，并不证明模型被训练去表示发作或解剖结构。

跨通道上下文在通道交互处收益最大

PHASE-ST 的贡献在不同任务间并不均匀，这一模式本身有信息量。它比 PHASE-T 进一步提升发作起始区识别，而关系目标贡献了来自并发上下文的大部分增益——这与发作起始区识别依赖通道间活动如何耦合、而非单个通道的判断一致。

在 BrainTreebank 的自然聆听任务中，冻结的 PHASE-ST 在七名评测参与者上取得音量平均 ROC-AUC 0.9450、音高 0.8822，高于已发表的最强结果 0.92 和 0.83；微调后分别升至 0.9515 和 0.8886。论文自己的定位是 PHASE-T 与 PHASE-ST 互补：时间阶段承担广泛的临床基准，空间阶段则在依赖同步通道的任务上增加价值。

证据止于一分钟上下文与分离的两阶段

该框架分别预训练时间阶段和空间阶段，而非联合预训练，上下文也限制在一分钟以内。论文把联合预训练、向小时级记录扩展，以及扩大患者队列和下游评测列为未来工作。这些边界限定了所报告增益的适用范围：五项任务基准、跨机构迁移和听觉解码结果都位于这一设计之内。

结果支持的实践优先级很具体。当目标是获得一个能在少量或没有本地标签时跨机构迁移的冻结骨干时，消融比较指向应保留的预训练信号是生理学目标而非波形重建；冻结与微调的区分则告诉读者该用哪个数字与自己的基线比较。当任务依赖同时记录通道之间的关系时，额外增益出现在空间阶段。

本文引用的文献