时间序列无监督表征学习：综述

基于摘要分析。本文针对时间序列标注困难及无监督表征学习方法缺乏系统梳理的问题，综述从无标签数据中学习判别性表征的方法，并提出统一、标准化的实现与评估库 ULTS（Unsupervised Learning for Time Series）。研究主要对象是通用时间序列表征学习，并非专门的 EEG 或 BCI 方法。 作者将时间序列复杂特性及相较其他模态缺乏直观视觉线索视为标注瓶颈，并重点关注快速发展的对比学习方法。除文献梳理外，作者报告使用 ULTS 在 9 个不同的真实世界数据集上评估相关方法，并讨论实践注意事项和开放研究挑战。摘要未提供数据集名称、任务、划分、对照基线、指标或具体结果，因此不能据此判断方法排名或优势幅度；实验协议、消融及统计信息尚未验证。ULTS 的公开代码、依赖环境和可复现配置也尚未验证。 平台推测（待验证）：利用无标签序列学习表征的思路，可能对应 EEG 标注成本高的问题；ULTS 的统一实现与评估框架可作为比较候选方法的参考。这一迁移假设依赖 EEG 数据的序列结构、无标签数据规模及下游监督设置，不能由通用时间序列结果直接确认。可复用部分主要是评估框架与候选表征学习流程，输入通道处理、时间窗口和对比学习增强策略则需针对 EEG 核对或改造。低信噪比、跨被试差异、通道配置变化及小数据规模可能使表征更偏向噪声或被试身份，而非任务信息。 一个可检验的小实验是：选定一个 EEG 数据集及固定的跨被试划分，仅用训练被试的无标签数据训练候选表征模型，再在相同标注预算和分类器设置下与从头训练基线比较，并报告 Accuracy 或 Balanced Accuracy 及多次运行的不确定性。该实验仅为迁移验证建议；已有 EEG 相关工作尚未检索确认。