WAVELET2VEC：用于基于 EEG 的癫痫发作亚型分类的滤波器组掩码自编码器

基于摘要分析。该研究面向临床诊断中的 EEG 癫痫发作亚型分类，针对长程依赖学习困难和亚型标注数据不足，提出基于 Transformer 的自监督模型 WAVELET2VEC。其主要贡献是利用滤波器组分析构建多粒度 EEG 表征，并通过无标签 EEG 预训练支持后续分类。 机制方面，作者使用滤波器组分析改进 Vision Transformer，构成 Wavelet Transformer（WaT）编码器，再以自监督学习对 WaT 进行预训练。标题将方法描述为滤波器组掩码自编码器，但摘要未说明掩码对象与比例、重建目标、损失函数，以及预训练到分类阶段的适配方式，这些细节尚未验证。滤波器组如何组织不同粒度的信息，以及如何与 Transformer 的输入表示结合，也需查阅全文。 作者报告，在两个公开数据集的跨被试癫痫发作亚型分类实验中，Wavelet2Vec 优于若干监督及自监督模型。摘要未提供数据集名称、被试数量、划分方式、具体基线、指标或优势幅度，因此目前不能量化其效果，也不能据此判断不同协议下的可比性。实验协议、消融及统计信息尚未验证。 复现时需核对滤波器组配置、EEG 预处理与通道设置、预训练数据和下游评估被试的关系，以及各基线的训练与评估条件。该论文的主要对象是癫痫发作亚型识别，而非一般 BCI 控制任务；现有摘要结果不能直接视为其他 EEG/BCI 任务上的有效性证据。