重新思考基于 EEG 的疾病诊断：将实例表征学习与被试级监督解耦

基于摘要分析。本文针对 EEG 疾病诊断中“按被试预测、却给每个短时片段继承疾病标签”的监督错位问题，提出两阶段框架 BridgeMIL，将实例表征学习与被试级监督解耦。研究主要面向 EEG 疾病诊断，并非直接验证 BCI 控制或交互任务。 常规片段分类流程隐含各片段均能提供同等可靠诊断证据的假设；多实例学习（MIL）将每名被试视为一个包，可避免直接给片段赋予疾病标签，但端到端训练的表征质量可能受被试数量有限的制约。BridgeMIL 第一阶段不使用继承的实例标签，通过对齐时间邻近窗口，以及在同一被试内独立采样的子包，预训练编码器；同时采用方差与协方差正则化，在不使用负样本对的情况下防止表征坍塌并减少冗余。第二阶段将编码器迁移至基于注意力的 MIL 聚合器，仅对被试级预测施加监督，并通过特征保留限制表征漂移。摘要未说明对齐损失、子包构造和特征保留的具体实现。 作者报告，在三个 EEG 疾病数据集、五种代表性骨干组成的十五种配置中，BridgeMIL 在十四种配置上取得最高平均 Accuracy；总体平均 Accuracy 为 76.57%，较最强基线高 4.28 个百分点。摘要未提供数据集名称、被试数量、被试划分方式、基线身份及总体均值的汇总细节，因此这些结果不能直接与其他协议下的分数比较。 作者进一步报告，继承标签的可靠性在实例间存在明显差异，性能对被试稀缺比对实例稀缺更敏感，且表征空间呈现更清晰的被试聚类和诊断类别分离。值得核对的是，预训练的同被试对齐如何保留疾病信息，以及被试聚类与诊断泛化之间的关系；这些现象本身不足以证明模型学到了可泛化的疾病特征。实验协议、消融及统计信息尚未验证，复现还需确认窗口与子包采样、数据划分、训练设置和实现可用性。