基于自监督学习的可穿戴 EEG 基础模型

基于摘要分析。该研究针对可穿戴 EEG 数据大量无标签、信号变异及伪迹影响表征学习的问题，在 Muse Meditation Dataset（MMD）上探索通过自监督学习构建 EEG 基础模型，并以年龄和性别分类评估所得表征。 方法在参与者级与片段级应用对比学习，并比较 ShallowNet 与 EEGConformer 两种架构。作者提出的假设是，参与者级对比学习能够更有效地捕捉被试间变异；摘要未说明正负样本如何构造、数据增强方式、具体损失或下游训练流程，尚不能判断其学习到的是何种参与者特征及其任务通用性。 作者报告，在所评估的下游分类任务中，自监督训练所得嵌入优于完全监督模型，尤其在标签较少的条件下；参与者级对比学习提高了分类 Accuracy，采用 Transformer 自注意力的 EEGConformer 优于 ShallowNet。摘要未提供具体数值、标签比例、被试规模及被试内或跨被试划分协议，因此这些结论只能限定于作者所述评估条件，不能据此推定跨会话、跨数据集或 BCI 解码收益。 复现时应重点核对 MMD 的采集与预处理、参与者及片段的划分关系、预训练和下游评估数据的关系，以及监督基线的标签量和训练预算；实验协议、消融及统计信息尚未验证。论文使用“基础模型”定位，但摘要所述年龄与性别任务尚不足以确认广泛任务泛化能力，代码与权重的可获得性也尚未验证。