跳到正文
只看学习与优化#Sleep-EDF
10月3日周六
  1. arXiv · EEG 与神经表征76

    COVER：学习在选择性睡眠分期中接受更多预测

    基于摘要分析。该研究针对 EEG 睡眠分期级联中的第一阶段：在给定接受风险目标下，让固定主分类器尽可能多地接受自身预测，将其余片段交给更强模型。作者提出 COVER（COVerage-oriented Error Ranking），通过辅助信息驱动的主分类器错误学习与固定尺度评分器细化，提高可接受预测的覆盖率，而不改变主分类器的预测标签。 核心机制包含两步：首先，用学习得到的错误评分替代最大 softmax 概率（MSP），以识别主分类器更可靠的预测；随后，在经验接受风险约束下直接优化覆盖率，而非仅优化所有 EEG 片段上的错误预测准确性。摘要未说明辅助信息的具体来源、评分器结构、损失形式及固定尺度细化的实现，这些细节尚未验证。 作者在 Sleep-EDF-20 上以 5% 接受风险为目标进行评估，被试从所有拟合与选择流程中留出。作者报告，在相近的被试等权风险下，辅助信息驱动的错误学习将平均被试覆盖率从 MSP 的 31.5% 提升至 48.8%。在每名被试接受片段数相同、合计接受 20,639 个片段的比较中，MSP 与学习评分器的错误数分别为 1,467 和 867。作者还报告，固定尺度细化在嵌套开发评估中相对初始化增加了 1.7 个百分点的覆盖率；最终 COVER 在八种评分器中取得最高平均覆盖率，为 50.4%，对应被试等权风险为 4.5%，比较方法 SELE 与 DuoF 的覆盖率分别为 49.3% 和 43.6%。摘要未给出后二者各自的风险值，不能据此认定它们处于完全相同的风险水平。 阅读与复现时应重点核对辅助信息如何参与训练、风险阈值与评分器的选择流程、嵌套开发协议、被试间风险差异及统计不确定性。该工作评估的是级联入口的选择机制，覆盖率收益不等同于完整级联的计算节省或最终睡眠分期性能提升；完整级联表现、实验协议细节、消融及统计信息尚未验证。

    阅读价值：值得阅读的是其在不改变主分类器预测标签的前提下，将错误排序与接受风险约束下的覆盖率优化结合；作者报告了留出被试上的覆盖率收益，但完整级联的计算节省尚未验证。

9月18日周五
  1. OpenReview · EEG76

    COVER：学习在选择性睡眠分期中接受更多预测

    基于摘要分析。该研究面向 EEG 睡眠分期级联的第一阶段：保持主分类器的预测标签不变，在预设的接受风险目标下，尽可能提高可直接接受的预测覆盖率。作者提出 COVER（COVerage-oriented Error Ranking），以学习得到的错误评分替代最大 softmax 概率（MSP），并进一步针对覆盖率优化评分器，而非仅追求所有 EEG epoch 上的错误预测准确性。 方法包含两个环节：辅助信息引导的主分类器错误学习，以及固定尺度评分器细化。前者学习主分类器发生错误的评分，但不改变其输出标签；后者在经验接受风险约束下直接最大化覆盖率。摘要未说明辅助信息的具体来源、评分器结构、损失形式和固定尺度的实现方式，尚需全文核对。 作者在 Sleep-EDF-20 上以 5% 接受风险为目标评估，测试被试不参与任何拟合与选择。作者报告，在相近的被试等权风险下，辅助信息引导的错误学习将平均被试覆盖率从 MSP 的 31.5% 提升至 48.8%。在逐被试接受数量相同、合计接受 20,639 个 epoch 的对照中，错误数由 MSP 的 1,467 降至学习评分器的 867。作者另报告，固定尺度细化在嵌套开发评估中较初始化增加 1.7 个百分点覆盖率。 在八种评分器的比较中，作者报告 COVER 获得最高平均覆盖率：被试等权风险为 4.5% 时，覆盖率为 50.4%；SELE 与概率融合对照 DuoF 的覆盖率分别为 49.3% 和 43.6%。摘要未给出这两个对照对应的风险值，不宜将覆盖率差异直接解释为完全相同风险下的优势。 该工作直接研究 EEG 睡眠分期中的可靠性筛选，不等同于通用 BCI 解码验证。摘要呈现的是级联入口的接受与转交策略，而非完整级联的端到端性能或实测计算收益。复现需核对接受风险的定义与被试等权汇总方式、阈值选择、嵌套开发划分、辅助信息可用性及后级模型配置；详细实验协议、消融及统计信息尚未验证。

    阅读价值：值得核对其在固定主分类器预测与接受风险约束下提升覆盖率的机制，以及被试隔离的评分器拟合和选择协议；摘要支持选择性睡眠分期的价值，但尚不能据此确认完整级联的计算节省。

1月1日周一
  1. OpenReview · EEG71

    通过基于 Transformer 的扩散模型随机重组原始与生成数据以改进 EEG 分类

    基于摘要分析。本文针对 EEG 数据稀缺及生成式数据增强效果受限的问题，提出基于 Transformer 的去噪扩散概率模型，并通过在时域随机重组原始数据与生成数据构造邻域样本，以改善 EEG 分类。主要贡献包含面向 EEG 的生成模型设计和生成数据的增强使用方式，而不只是扩充训练样本数量。 在生成端，作者提出常数因子缩放预处理，并称其有助于减少信号信息损失；模型引入 Multi-Scale Convolution 和 Dynamic Fourier Spectrum Information 模块，旨在提高训练稳定性与生成数据质量。摘要未提供缩放规则、模块结构、扩散过程配置或生成质量评估指标，相关机制及效果尚需全文核对。 在分类端，增强方法将生成数据与原始数据在时域随机重组，得到邻域数据，并通过最小化经验风险与邻域风险提升分类性能。重组的时间粒度、标签分配、生成样本比例，以及两类风险的具体目标形式尚未验证；这些细节关系到重组后样本能否保留任务相关时序特征及标签语义。 作者报告在四个 EEG 数据集、对应四项任务上观察到 Accuracy 改进：Bonn 为 14.00%，SleepEDF-20 为 6.38%，FACED 为 9.42%，Shu 为 2.5%。摘要未明确这些数值是相对百分比提升还是百分点增益，也未说明对照基线、数据划分及被试内、跨被试或跨会话协议，因此不能直接比较各数据集的收益大小，亦不能据此确认统计显著性。 复现时需核对生成模型与分类器所用的数据划分、随机重组规则、分类基线，以及各模块和增强步骤的独立贡献。实验协议、消融及统计信息尚未验证。作者表示将公开代码，但所给材料未确认代码已发布。

    阅读价值：值得核对其时域随机重组增强是否比单纯添加生成样本更有效，以及生成数据质量与分类收益之间的关系；摘要报告了四个 EEG 数据集上的改进，但评估协议与统计信息尚未验证。

1月1日周日
  1. OpenReview · EEG64

    基于传导式原型优化网络的少样本 EEG 睡眠分期

    基于摘要分析。研究针对人工 EEG 睡眠分期耗时、少样本条件下分类原型估计不足的问题，提出 transductive prototype optimization network（TPON），通过元学习与传导式原型优化改善睡眠阶段分类。其主要研究对象是 EEG 睡眠分期，而非直接验证 BCI 控制任务。 核心机制：TPON 在元训练阶段学习已有类别的原型，并利用“学会学习”的方式适应仅有少量示例的新类别。原型优化结合有标签支持集与未标注高置信度样本，旨在使类别原型更贴近实际特征分布、改善样本与原型的匹配。摘要未说明特征提取器、置信度筛选标准、原型更新公式及损失形式，这些实现细节尚未验证。 结果与协议：作者报告，在公开 SleepEDF-2013 数据集上，TPON 的整体表现优于多数先进算法；作者还报告跨通道识别的可行性，并据此认为不同通道间存在相似的睡眠 EEG 特征。摘要未提供 Accuracy 等具体指标、对照方法名称、少样本任务配置或数据划分，因而不能量化其优势，也不能据此判断被试内、跨被试或跨会话泛化能力。 复现核对重点：需确认元训练与评估阶段的类别定义及划分方式，尤其是“新类别”在睡眠分期任务中的具体含义；还需核对未标注样本的来源和推理时可访问范围、高置信度筛选与原型更新步骤，以及跨通道实验的训练和测试通道配置。实验协议、消融及统计信息尚未验证，跨通道可行性也不等同于已验证的跨被试或跨数据集泛化。