用于生物信号通道无关自监督学习的对比随机导联编码

基于摘要分析。该研究针对多变量生物信号中数据增强难以设计、固定输入通道配置限制自监督模型复用的问题，提出 contrastive random lead coding（CRLC），利用输入通道的随机子集构造正样本对，并在 EEG 和 ECG 预训练后微调的下游任务中验证这一策略。 核心机制是将随机选取的通道子集用于正样本对构造，而非仅依赖信号增强或时间上相邻的片段。研究将 CRLC 与这两类正样本构造策略进行比较，目标是在通道无关模型中支持不同通道配置。摘要未说明子集采样规则、正样本对的具体配对方式、模型如何接收可变通道输入，以及对比损失和训练设置，这些细节尚未验证。 作者报告，在通道无关设置下，CRLC 在 EEG 和 ECG 两种场景中均优于参与比较的其他策略。对于 EEG 下游任务，作者报告其优于文中称为当前最先进的参考模型；对于 ECG 任务，该参考模型仍更优，但加入 CRLC 后可获得与其相近的结果。摘要未提供任务名称、数据集、指标或数值，因此不能量化优势，也不能将结果直接解释为跨被试、跨会话或跨数据集泛化。 该工作的直接阅读价值在于正样本构造与可变通道输入之间的联系，而非已证实适用于所有 EEG/BCI 场景。复现时需核对预训练与微调的数据划分、通道配置变化方式、下游任务与参考模型，以及各策略的训练条件是否一致；实验协议、消融及统计信息尚未验证。随机通道子集是否保留任务相关信息、不同导联位置是否可互换，以及低信噪比条件下的稳定性，也需要结合全文与具体任务评估。