用于主观性耳鸣听者诊断的可泛化、样本高效孪生自编码器

基于摘要分析。该研究面向主观性耳鸣与健康状态的 EEG 分类，试图缓解既有机器学习方法对数据量的依赖及对新被试泛化不足的问题。作者提出结合 trend descriptor 与孪生编码器—解码器的方法，从 EEG 耳鸣神经反馈数据中学习可跨被试、跨 EEG 通道迁移的表征。 机制上，trend descriptor 是一种较粗粒度的特征提取器，旨在降低电极噪声对 EEG 信号的影响；孪生编码器—解码器则通过监督式学习促进表征对齐并获得可迁移映射。摘要未说明特征计算方式、样本配对规则、监督信号、损失函数及网络结构，尚不能据此确定各模块如何实现抗噪与迁移。 作者报告，在涉及 90 dB 和 100 dB 声音的 EEG 神经反馈分析中，方法在被试独立（Cross-subject）设置下区分耳鸣与对照被试的 Accuracy 为 91.67%–94.44%，并优于所比较的现有算法。摘要未给出两种声音条件与具体分数的对应关系、基线名称、被试数量或训练测试划分，因此不能进一步判断提升幅度及统计可靠性。作者还报告，涉及混合被试与参数设置的消融分析支持性能稳定性，但具体设置和结果尚未验证。 研究的直接贡献是耳鸣状态识别，而非已证实的耳鸣治疗疗效或通用 BCI 解码能力。复现时需核对声音刺激与 EEG 采集流程、预处理、被试独立划分、样本效率的评估方式，以及跨通道映射的具体协议；实验协议、消融及统计信息尚未验证。