通过智能划分实现深度 EEG 去噪器的无监督训练

基于摘要分析。本文研究在缺乏无伪迹 EEG 参考信号时如何训练深度 EEG 去噪器，提出 Intelligent Partitioning for Self-supervised Denoising（iPSD），通过学习划分输入 EEG 片段，构造具有相同潜在信号的独立带噪观测，从而提供自监督训练信号。 核心机制是将原本依赖干净参考的训练转化为带噪观测之间的自监督学习。作者称该方法也适用于 zero-shot 设置，即仅有一个待去噪 EEG 片段可用的情形。其关键可核对问题是：划分如何保留共同神经信号，同时满足带噪观测的独立性要求，尤其是在 EEG 与伪迹频谱重叠时。摘要未提供划分算法、损失形式、去噪器结构或单片段训练流程，这些细节尚未验证。 作者报告开展了包括耳内传感器可穿戴 EEG 在内的实验，并称 iPSD 达到最先进性能，尤其是在信噪比低至 −10 dB 及 EMG 等挑战性伪迹条件下，频谱保真度比竞争基线高出多个数量级。该结论仍需结合具体频谱指标、信噪比定义、参考信号获取方式和基线配置解读；摘要未提供数据集、被试数、数据划分及被试内或跨被试评估背景，不能据此判断其泛化范围。 复现应重点核对划分产生的观测是否符合方法假设、神经活动是否被误当作伪迹抑制，以及单片段设置的优化开销。实验协议、消融及统计信息尚未验证，代码可用性也尚未验证。当前材料支持将其视为 EEG 无干净参考去噪方法，不能进一步认定其能改善 BCI 解码表现。