追踪心脏传导路径：从心脏传导视角学习 ECG 表征

基于摘要分析。该研究针对多导联 ECG 自监督学习过度强调导联间与心搏间共性、可能忽略心脏传导细微差异的问题，提出两阶段框架 CLEAR-HUG，将心搏级信号重建与遵循 ECG 诊断顺序的分层疾病诊断相结合。主要研究对象是 ECG 表征与心脏疾病诊断，并非 EEG 或 BCI。 第一阶段的 Conduction-LEAd Reconstructor（CLEAR）将每个心搏视为独立实体，通过稀疏注意力重建信号，旨在避免其他心搏干扰，同时捕获心搏间的特异变化与一般共性。第二阶段采用 Hierarchical lead-Unified Group head（HUG），对应从单个心搏、单导联到导联组合的诊断逻辑。摘要未给出稀疏注意力的具体连接规则、重建目标、心搏切分方式或诊断头的实现细节。 作者报告，在六项任务上取得 6.84% 的提升；摘要未说明该数值对应的指标、比较基线、汇总方式，以及属于相对提升还是百分点变化，因此不能直接据此判断效应大小。数据集、被试划分、预训练与下游评估协议、消融及统计信息尚未验证。 平台推测（待验证）：其可供 EEG 方法研究参考的机制，是利用生理事件边界限制重建时的信息交互，再以结构化任务头整合局部与多通道信息。迁移假设仅适用于具有明确事件边界的 EEG 场景；可考虑复用事件内稀疏注意力，但需重新设计事件切分与通道整合，不能照搬心脏传导或导联诊断层级。低信噪比、事件定位误差、跨被试差异及小数据条件都可能削弱效果。一个可证伪的小实验是在固定 EEG 数据划分与相同训练预算下，对比事件内稀疏重建与不限制事件边界的重建，检验其是否真正改善下游表征。相关 EEG 工作尚未检索确认，原领域结果不构成 BCI 有效性证据。