脑电基础模型分层迁移，STEAM在14项评估平均排名居首

内容概述 一项预印本研究提出STEAM，一种面向脑电图（EEG）解码的分层迁移框架，通过双分支时空编码器与共享软专家混合（SSMoE）模块，在EEG基础模型中协调通用表征学习与范式特定专业化，使互补的表征可通过一组紧凑的软槽交换信息。研究者称，在7个下游数据集、14个评估设置中，STEAM以有竞争力的推理成本取得最佳平均排名；其层级预训练策略可在不从头重训的情况下进一步针对目标范式提升解码准确率。该工作面向EEG基础模型的可迁移性与高效下游适配问题，属于脑机接口解码算法的基础方法研究。该研究为预印本，尚未经过同行评审。