Contrast Everything：面向医学时间序列的层次化对比学习框架

基于摘要分析。该研究针对医学时间序列专家标注稀缺、现有对比学习主要利用单一数据层级的问题，提出层次化自监督对比学习框架 COMET，通过多个层级的一致性约束学习表征。原论文的主要研究对象是医学时间序列，包括心肌梗死相关 ECG，以及 Alzheimer's 和 Parkinson's 疾病相关 EEG，并非直接研究 BCI 任务。 核心机制是在 observation、sample、trial、patient 四个潜在层级构建对比损失，以保留不同粒度的数据一致性。摘要未说明各层级的具体定义、正负样本构造、损失组合方式或编码器结构，需结合全文核对这些层级之间的关系，以及哪些信息用于自监督训练。 作者报告，在患者独立（patient-independent）评估设置下，使用三个数据集与六个基线比较，COMET 在所有数据集上均优于这些基线，尤其在标注数据比例为 10% 和 1% 的设置中表现突出。摘要未提供数据集名称、患者数、具体指标及成绩；标注比例的计算单位、训练与测试划分、消融及统计信息尚未验证，不能据此量化提升幅度。 平台推测（待验证）：若 EEG 数据具有明确的片段、试次和被试层级，多层级对比约束可能对应少标注与跨被试表征学习的需求。可复用的是分层对比学习思路，需改造的是层级定义与正负样本关系；疾病身份、被试差异或会话特征也可能成为学习捷径，低信噪比、通道差异及小数据可能削弱一致性假设。一个可检验的小实验是在固定跨被试划分、编码器和标注预算下，对比单层与多层对比学习，并逐层消融，观察目标任务指标是否稳定改善。相关 EEG 工作尚未检索确认。 摘要提供了 COMET 代码仓库，但代码可运行性、预处理流程及其与论文协议的一致性尚未验证。