[AI学术] MANAS-2：约束重建用于 EEG 基础模型

掩码重建在 EEG 基础模型中被广泛使用，但在低信噪比（SNR）波形上优化重建并不一定产生最有用的潜在表示。我们提出 MANAS-2，它将原始频段混合（Raw‑Band Hybrid，RBH）掩码自编码器与物理驱动的约束重建（ConRec）相结合。

RBH 同时重建时间波形片段和紧凑的频谱带目标；ConRec 只作用于时间解码器的输出，惩罚相邻短窗口重建波形的 RMS 能量差异，即 $\Delta E_{\text{RMS}} = |E_{\text{RMS}}^{(i)} - E_{\text{RMS}}^{(i+1)}|$，从而引导编码器更关注振荡包络信息的组织。

在七个未见的 EEG 数据集上，向相同的 RBH 模型加入 ConRec 后，冻结的岭回归对六带频谱功率的恢复从平均 $R^2=0.860$ 提升至 $0.906$，对跨片段带能量动态的恢复从 $R^2=0.283$ 提升至 $0.354$，而时间波形信息仍可从冻结潜在空间高度恢复。将 ConRec 应用于仅时间掩码自编码器时，也能提升冻结下游迁移性能和频率相关的潜在几何结构，说明 ConRec 的效果与模型架构无关。

MANAS-2 在多数下游知识迁移任务上超越了现有的 EEG 基础模型。ConRec 通过在解码器层施加物理约束，使潜在空间更具频谱组织性和可迁移性，表明约束重建是一种塑造表示而非仅追求重建质量的有效机制。

点评