结合时间增强与假负样本抑制的睡眠分期自监督学习

基于摘要分析。该研究针对 EEG 睡眠分期自监督学习中的假负样本问题，提出 Temporal Augmentation and False Negative Suppression（TA-FNS）：利用时间特征和不同视图下的样本相似性一致性，识别并排除潜在假负样本，以学习睡眠阶段表征并减轻专家标注负担。 核心机制：摘要指出，许多自监督方法仅将同一 EEG 样本的两个增强视图视为正样本对，可能将语义相近的不同样本作为负样本排斥。TA-FNS 首先为每个 EEG 样本生成两个增强视图，再通过时间增强模块学习睡眠过程中的时间特征；随后据此计算视图内和视图间的样本相似性矩阵，由假负样本抑制模块依据这些矩阵的一致性识别并排除潜在假负样本。具体增强操作、时间上下文范围、相似性定义、判定阈值及损失形式尚未验证。 结果与证据边界：作者报告，TA-FNS 在 Sleep-EDF 和 ISRUC 上达到最先进性能，并学习到不同睡眠阶段的语义表征，作者据此认为该方法能缓解假负样本问题。摘要未提供具体指标数值、数据集版本、被试数量、标注使用比例、被试内或跨被试划分及对照方法，因此尚不能量化其优势或比较不同评估协议下的结果。 复现时需核对时间特征的构建方式、两类相似性矩阵的一致性规则，以及被识别样本如何从训练目标中排除；还需核对时间增强与假负样本抑制各自的贡献，以及被排除样本与真实睡眠阶段标签之间的关系。实验协议、消融及统计信息尚未验证。该工作的直接研究对象是 EEG 睡眠分期，摘要结果不构成其他 BCI 任务有效性的证据。