通过成对相对位移预训练学习 EEG 信号的相对组成

基于摘要分析。本文研究如何从无标签 EEG 中学习可用于下游解码的表示，提出 PAirwise Relative Shift（PARS）预训练：预测随机采样的 EEG 窗口对之间的相对时间位移，以鼓励编码器学习信号的相对时间组成及长程依赖，降低对昂贵标注的需求。 核心机制是将窗口之间的时间关系作为自监督预测目标，而非重建被掩码的信号内容。作者将其与 masked autoencoders（MAE）等掩码重建策略对照，认为后者主要捕捉局部时间模式，而 PARS 可提供不同的表示学习约束。摘要明确提到使用 PARS 预训练的 transformers，但未提供位移目标的编码方式、窗口采样范围、损失形式、模型结构或训练规模；相对位移预测是否确实依赖长程信息，而非局部可辨识线索，需要结合正文与消融验证。 作者报告，在多种 EEG 解码任务的标签高效与迁移学习设置下，PARS 预训练的 transformers 持续优于现有预训练策略。摘要以睡眠分期和癫痫发作检测说明临床应用背景，但未明确列出实际评估任务、数据集、被试数量、标签比例、对照方法、指标或具体结果，因此不能据此判断提升幅度，也不能确认迁移属于 Cross-subject、Cross-session 还是 Cross-dataset。 复现时需核对窗口配对与位移定义、采样和预处理流程、预训练与下游数据划分、基线训练预算及微调设置，并检查长程依赖相关消融和统计不确定性。实验协议、消融及统计信息尚未验证；摘要所述 EEG 解码收益也不能直接视为在线 BCI 有效性的证据。