DABaCLT：面向时间序列表征的数据增强偏差感知对比学习框架

基于摘要分析。该研究针对时间序列对比学习中数据增强可能扭曲原始数据分布的问题，提出数据增强偏差感知框架 DABaCLT，通过引入原始数据特征及偏差最小化损失，尝试改善标注稀缺条件下的自监督表征学习。研究对象包括 EEG 睡眠分期分类（SSC）、EEG 癫痫发作预测（ESP）及传感器信号人体活动识别（HAR），并非仅面向 BCI 任务。 核心机制：作者将增强数据对比学习所得表征与监督学习所得表征之间的差异称为数据增强偏差（DAB）。框架利用 raw features stream（RFS）提取原始数据特征，再将这些特征与增强数据结合以构造正负样本对；同时在对比模块中引入 DABMinLoss，以减小所提取时间特征与上下文特征的 DAB。摘要未给出损失公式、样本配对规则、增强类型或监督表征在训练与评估中的具体作用，这些内容尚未验证。 结果：作者报告，在上述三类时间序列分类任务中，DABaCLT 的 Accuracy 提升范围分别为 SSC 0.19%–22.95%、HAR 2.96%–5.05%、ESP 1.00%–2.46%，并报告其表现与监督方法相当。摘要未说明这些区间对应的数据集、对照基线、标注比例及划分协议，也未明确提升是相对百分比还是百分点，因此不能据此比较任务间收益或推断跨被试、跨会话效果。 复现与证据边界：作者表示代码已开源，但所给材料未提供代码地址。需进一步核对 RFS 与 DABMinLoss 的独立消融、增强强度对结果的影响，以及数据划分和统计不确定性；实验协议、消融及统计信息尚未验证。现有摘要支持将其视为 EEG 相关自监督方法候选，但不能直接认定其已验证 BCI 在线应用价值。