脑电图 (EEG) 表征学习的自监督方法面临着 EEG 数据固有的三个特定挑战：（1）低信噪比对所学习表征的质量提出挑战，（2）由于受试者间差异等因素，幅度范围从非常小到相对较大，使模型有可能受较高幅度范围的支配，以及 （3）连续值序列中缺乏明确的分割，这可能导致信息量较少的表征。为了应对这些挑战，我们引入了 EEG2Rep，一种用于从 EEG 进行自监督表征学习的自预测方法。 EEG2Rep 的两个核心新颖组件如下：1) EEG2Rep 不是学习从原始 EEG 预测掩蔽输入，而是学习在潜在表示空间中预测掩蔽输入；2) EEG2Rep 不是使用传统的掩蔽方法，而是使用一种新的语义子序列保留 (SSP) 方法，该方法提供信息丰富的掩蔽输入来指导 EEG2Rep 生成丰富的语义表示。在对 6 种具有受试者差异的不同 EEG 任务进行的实验中，EEG2Rep 的表现明显优于最先进的方法。我们表明，我们的语义子序列保留改进了自我预测文献中现有的掩蔽方法，并发现保留 50% 的 EEG 记录将在所有 6 个任务上平均获得最准确的结果。最后，我们表明 EEG2Rep 对噪声具有鲁棒性，可以解决 EEG 数据中存在的一个重大挑战。模型和代码可在此处获取：https://github.com/Navidfoumani/EEG2Rep