MTSSRL-MD：跨多数据集的 EEG 信号多任务自监督表征学习

基于摘要分析。该研究面向 EEG 睡眠分期，针对标注稀缺、不同数据集 EEG 导联配置异构，以及少数睡眠阶段样本不足且过渡特征重叠的问题，提出 MTSSRL-MD，将多数据集、多任务自监督预训练与通道对齐整合，以学习可在不同数据集上微调的 EEG 表征。 核心机制包括基于空间注意力的 Channel Alignment Module（CAM），将异构 EEG 导联配置投影到共享通道空间，并提供空间权重。作者认为这些权重能够突出与标准 EEG 导联配置相对应的区域，提供一定可解释性；其是否稳定反映有意义的空间信息尚需验证。预训练结合三项互补任务：augmentation contrastive、temporal shuffling discrimination 和 frequency band masking，分别利用增强视图、时间顺序及频带信息学习表征。摘要未提供具体增强策略、掩码方式、损失定义和多任务权重。 作者报告，在三个异构 EEG 睡眠数据集的实验中，MTSSRL-MD 持续优于单数据集 SSRL 基线，并优于作为多数据集单任务 SSRL 对照的 SeqCLR，尤其在低标注条件下表现更好。摘要未给出数据集名称、标注比例、具体指标或数值；虽然作者强调跨数据集泛化，但预训练与微调数据如何分配、目标数据集是否参与预训练，以及被试内、跨被试或跨数据集测试协议均尚未验证，不能据此认定已证明对未见数据集的泛化。 作者还报告，相较单数据集和多数据集 SSRL 基线，该方法推理更高效，并可使用同一个预训练编码器在不同数据集上微调。效率指标、硬件条件及微调成本尚未验证。复现时应重点核对 CAM 对不同通道配置的处理、各自监督任务及多数据集学习的独立贡献，以及少数阶段的分类指标和统计不确定性。作者提出真实场景部署潜力，但摘要中的睡眠分期结果不等同于临床部署验证，也不能直接外推为其他 BCI 任务的有效性。实验协议、消融及统计信息尚未验证。