PSDNorm：用于 EEG 信号深度学习的测试时时间归一化

基于摘要分析。本文针对 EEG 在不同被试、机构和记录设备之间的分布偏移，提出归一化层 PSDNorm，利用 Monge mapping 与时间上下文对深度学习模型的特征图进行归一化。其主要研究对象是 EEG 睡眠分期，方法定位为无需额外训练的测试时域适应，而非已验证的通用 BCI 解码方案。 机制方面，作者认为 Batch-Norm、LayerNorm 和 InstanceNorm 未能充分捕捉时间信号的时序依赖，PSDNorm 则将时间上下文纳入特征归一化。摘要未给出 Monge mapping 的具体构造、时间窗口、统计量估计方式或层的插入位置，也未说明推理时需要多少目标域数据；这些内容需结合全文核对。 评估方面，作者报告在 10 个睡眠分期数据集上采用 U-Time 模型进行测试，在训练阶段未见的数据集上达到其所称的最先进性能，并称相较最佳基线具有 4 倍数据效率。摘要未提供数据集名称、划分、基线及“数据效率”的定义，因此该倍数不能直接解释为训练数据或标注需求减少至四分之一。作者还报告，在最困难的 20% 被试上 F1 明显提高，但困难被试的筛选标准、F1 汇总方式、具体数值和统计信息尚未验证。 复现时应重点核对目标域统计量的估计范围、是否支持在线推理、不同记录长度和通道配置的处理方式，以及基线是否在相同目标域数据预算下比较。对其他 EEG/BCI 任务的适用性仍需独立验证，不能由睡眠分期结果直接推断。实验协议、消融及统计信息尚未验证。