通过自监督学习处理冥想 EEG 中的时间与听觉因素

基于摘要分析。本研究面向 EEG 冥想质量监测，针对既有分类协议可能受时间相关性和听觉干扰影响的问题，提出新的数据采集协议，并使用在情绪 EEG 数据集 SEED 上预训练的 Multi-view Spectral-Spatial-Temporal Masked Autoencoder（MV-SSTMA）进行分类。 采集协议包含 32 名被试，每名被试在不同日期参加三次会话；每次会话交替进行音频引导冥想与无音频、无引导冥想。作者将跨日采集作为处理时间干扰的设计，并通过两种冥想条件考察听觉因素。但跨日采集本身不等同于已完成 Cross-session 评估，摘要未说明训练与测试如何按被试、会话或时间划分，也未交代分类标签及冥想质量的参照标准。 方法层面，MV-SSTMA 的名称体现了频谱、空间与时间多视图掩码建模思路，摘要明确其预训练数据为 SEED；具体掩码策略、损失函数、视图融合及下游训练方式尚未验证。作者报告该模型在 F1、Accuracy、Precision 和 Recall 上取得更优分类表现，但摘要未提供数值、对照模型或对应评估协议，因此目前无法量化优势，也不能据此确认其跨被试或跨会话泛化能力。 阅读全文时应重点核对时间相关性与听觉因素如何被控制、音频引导与无引导条件是否还包含其他状态差异，以及 SEED 预训练的贡献如何与采集协议的贡献区分。实验协议、消融及统计信息尚未验证；现有摘要支持其作为 EEG 冥想监测方法与协议研究的阅读价值，不足以确认临床监测有效性。