CiTrus：提升低数据生理信号迁移学习的性能

基于摘要分析。该研究面向小规模生理信号数据集上的迁移学习，提出 CiTrus 卷积–Transformer 混合架构、基于频率的掩码自编码任务，以及用于对齐预训练与下游数据时长和采样率的方法，并评估预训练及多模态预训练在不同数据量条件下的收益。其研究对象是生理信号迁移学习，并非仅限于 EEG 或 BCI。 摘要介绍的既有迁移流程是在大规模生理信号数据集上进行自监督预训练，再将自监督任务头替换为线性分类头并在下游数据上微调；EEG、EMG 和 ECG 在此作为示例出现，不能据此确认本文实际采用的数据集与迁移方向。本文提出的机制涉及卷积与 Transformer 结合的特征建模、频率相关的掩码自编码，以及跨时长和采样率的数据对齐，但摘要未提供频域预测目标、掩码策略、损失形式或对齐算法细节。 作者报告，混合架构中的纯卷积部分在部分低数据下游任务上达到其所称的最先进性能，完整模型通常还能进一步提升表现。对于 Transformer 类模型，作者报告预训练尤其有助于下游表现，多模态预训练往往带来额外收益；在评估的数据量条件中，频率相关预训练在最低和最高数据量区间的平均表现最好。摘要未给出任务名称、指标、数值、数据划分或对照基线，因此不能量化收益，也不能将这些结论直接解释为跨被试或跨数据集 EEG 解码提升。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其频率相关预训练与采样率对齐机制，可能对应 EEG 小数据学习和异构采集条件下的迁移瓶颈。可复用候选是预训练骨干与对齐模块，但需核对频率尺度、通道布局及分类目标是否兼容；低信噪比、被试差异和重采样导致的频谱变化可能削弱收益。一个可检验的小实验是在固定跨被试划分与下游标注预算下，对比随机初始化、原有掩码预训练和频率相关预训练，并独立控制对齐方法，检验收益是否稳定。已有相关 EEG 工作尚未检索确认；实现、预训练数据规模及复现资源尚未验证。