Contrast Everything：用于医学时间序列的层次化对比学习框架

基于摘要分析。该研究针对医学时间序列专家标注稀缺、现有对比学习主要利用单一数据层级的问题，提出层次化对比学习框架 COMET，通过多个层级的一致性约束进行自监督表征学习。原论文主要研究对象是用于心肌梗死分析的 ECG，以及用于 Alzheimer’s 和 Parkinson’s 疾病分析的 EEG，并非直接面向 BCI 控制任务。 机制上，COMET 在 observation、sample、trial、patient 四个层级构建对比损失，旨在使表征保留不同层级的数据一致性。摘要未给出这些层级的具体定义、正负样本构造、损失组合方式、数据增强或编码器结构，因而尚不能判断各层约束如何互补，以及如何避免抹去任务相关差异。 作者报告，在患者独立评估设置下，COMET 在三个数据集上与六种基线比较，均优于所比较基线；在各数据集仅使用 10% 和 1% 标注数据的设置中，优势尤其突出。摘要未提供数据集名称、患者数量、具体指标、分数及标注比例的采样方式，实验协议、消融及统计信息尚未验证。患者独立设置不能直接等同于 BCI 任务中的跨被试泛化证据。材料提供了代码地址，但实现细节与复现条件尚未核验。 平台推测（待验证）：若目标 EEG 数据具有可明确映射的观测、样本、试次和被试层级，多层对比约束可能用于缓解少标签表征学习瓶颈。可复用的是分层对比学习思路，需改造的是层级定义、正负样本关系及其与任务标签的对应方式；低信噪比、通道差异、小数据和被试特有模式可能导致模型学习伪一致性。一个可检验的小实验是在同一跨被试 EEG 协议与固定标注预算下，对比单层和多层损失，并逐层消融，以验证收益是否来自层级约束。其他已有 EEG 相关工作的覆盖与比较尚未检索确认。