结合特征空间增强与时序预测的睡眠分期自监督表征学习

基于摘要分析。该研究针对睡眠分期中人工标注成本较高，以及既有自监督方法依赖手工设计数据增强、偏重实例级表征的问题，提出自监督对比学习模型 FSA-TP，利用无标签 EEG 学习用于睡眠分期的表征。 方法包含三个主要模块：特征增强模块在特征空间扰动 EEG 的时序特征，旨在减少针对数据特性手工设计增强策略的需求；时序预测模块通过跨视图子序列预测任务学习时序表征；负样本混合模块旨在改善对比学习中的负样本质量。摘要未给出具体扰动方式、子序列预测目标、负样本混合规则及损失组合，因此尚不能判断这些机制的实现约束与相互作用。 作者报告，在两个公开睡眠数据集上的实验表明，FSA-TP 能学习有意义的表征，并取得更优性能。但摘要未提供数据集名称、被试数量、划分方式、对照方法、评价指标或具体数值，因而无法判断优势幅度，也不能确认结果对应被试内、跨被试或其他评估协议。实验协议、消融及统计信息尚未验证。 复现时应优先核对特征增强的位置与强度、跨视图子序列的构造方式、负样本混合策略，以及自监督预训练与下游睡眠分期的标注使用和数据划分。研究对象是睡眠 EEG 分期，摘要中的结果不应直接外推为其他 BCI 任务的有效性证据。