SplitSEE：用于单通道 EEG 表征学习的可拆分自监督框架

基于摘要分析。SplitSEE 研究如何仅从单通道 EEG 学习表征，并使其适应不同通道及癫痫发作预测等任务。其核心贡献是将时域与频域视为同一输入的两种视角，通过自监督深度聚类约束两者的聚类分配一致，并采用可拆分的预训练—微调架构。 机制上，框架先用两个域特定模块分别学习时域和频域表征，旨在应对传统频谱图方法中的时频权衡；随后通过聚类损失衡量信息相似性，促使两种表征一致描述同一 EEG 输入。摘要未给出模块结构、损失公式、聚类分配生成方式或防止表征退化的具体措施，这些尚需正文核对。“可拆分”意味着微调时可使用部分模型层，但具体拆分位置及保留模块尚未验证。 作者报告，单通道训练的 SplitSEE 在其评估中超过了多通道基线，并能适应不同通道、保持较低的性能方差；作者还报告在自采集临床数据集上取得更优表现，以及仅进行一个微调 epoch、使用部分模型层时仍获得较高且稳定的性能。摘要未提供指标、数值、基线名称、数据集规模、被试数或数据划分，因此无法判断这些结果属于被试内、跨被试还是跨会话协议，也不能将跨通道适配直接等同于跨被试泛化。 复现重点是核对预训练与微调数据的关系、通道选择及适配流程、聚类损失实现、拆分策略，以及单通道与多通道基线的输入和训练条件。实验协议、消融及统计信息尚未验证；癫痫发作预测等临床 EEG 任务上的作者报告，也不直接构成其他 BCI 任务有效性的证据。