MorphCL：用于基于惯性传感的人体活动识别的形态对比学习

基于摘要分析。本文研究如何从未标注的惯性传感运动记录中学习可迁移表征，提出自监督预训练框架 Morphological Contrastive Learning（MorphCL），通过结构感知分组将运动数据的全局结构引入对比学习。研究对象是基于惯性传感的人体活动识别，并非 EEG 或 BCI。 核心机制：作者认为，现有方法依赖随机采样批次与局部比较，未充分利用大规模运动数据的全局结构；这一问题在静止、低方差行为占主导的真实场景惯性数据中尤其突出。MorphCL 结合运动基元或 motifs 的发现与领域特定特征描述符，组织结构感知分组。摘要未交代分组算法、正负样本构造、损失形式、编码器结构及训练流程，这些细节尚未验证。 结果：作者报告，在所评估的线性探测与微调设置中，预训练编码器的 F1-score 提升最高达 15 个百分点；摘要未提供对应数据集、划分、基线或绝对分数。作者另报告，与现有基础模型比较时，MorphCL 编码器在使用少 4600 倍训练数据的条件下，线性探测表现达到或超过对照模型，但数据量计量方式、模型规模与训练预算尚未验证。作者的定性分析显示，嵌入空间形成具有形态意义的簇，并改善了运动学相似活动类别的分离。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可检验的迁移假设是，以领域描述符组织未标注数据，可能缓解 EEG 自监督学习中随机批次无法覆盖全局结构的问题。可复用的是结构感知分组思路；惯性运动 motifs 与描述符不能直接照搬，需要改造为 EEG 时频或空间特征，并检验其是否反映任务相关结构。低信噪比、伪迹、被试差异及通道配置可能使分组主要编码非任务因素，小数据也可能不足以形成稳定簇。一个小实验是在固定 EEG 编码器、数据量和训练预算下，对比随机批次与训练集内描述符分组的预训练，在隔离被试的 Cross-subject 划分上评估线性探测，并检查簇与被试身份、伪迹的关联。已有 EEG 相关工作尚未检索确认。