突破性能饱和：用于 NeuroMM-2026 Track-1 的 EEG 尖波检测系统

基于摘要分析。本文研究 NeuroMM-2026 Track-1 的二分类 EEG 尖波检测，以 AUPRC 评分；主要贡献是组合多种时频表示与预训练视觉骨干，并通过伪标签及候选样本专门化自训练提升竞赛表现。作者报告该系统排名第一，但最终训练方案具有传导式、样本内评估属性，不能直接视为未见样本上的泛化结果。 系统结合领域感知预处理、五种时频表示、由既有竞赛方案改造的 ImageNet 预训练视觉骨干，以及带正则化的 Nelder-Mead 集成。摘要未说明具体表示、骨干型号、正则化形式及集成优化细节。作者报告归纳式方案得分为 0.9711；常规伪标签预热后得分为 0.9778；随后，candidate-specialist self-training 将高置信度的已发布候选样本以全权重加入训练，最终得分为 0.9846。上述得分对应以 AUPRC 评分的竞赛任务，但训练和评估条件发生变化，不宜将差异全部解释为泛化能力提升。 针对最终方案按设计采用传导式、样本内评估的问题，作者使用 held-out-fold replay 进行检查。作者报告该检查提示部分效果可迁移，但仍不能排除候选样本特定的记忆。作者据此认为，在该趋于性能饱和的 EEG 基准上，广泛模型多样性本身不足以继续提升，关键在于大量高置信度伪标签候选样本、全权重训练，以及排除候选样本的真实标签验证；这一结论应限定于所述任务与协议。 复现时需核对候选样本的来源及可用范围、置信度筛选规则、伪标签更新流程、全权重的定义，以及 held-out-fold replay 和候选排除验证的具体划分。被试、数据规模、被试内或跨被试设置、基线、消融及统计信息尚未验证。本文直接研究 EEG 尖波检测，但摘要未提供在线 BCI 或其他 EEG 任务有效性的证据。