MEASURE：面向睡眠分期域泛化的多尺度最小充分表征学习

基于摘要分析。该研究针对自动睡眠分期模型在未见被试上因生理信号差异而泛化性能下降的问题，提出 MEASURE（Multi-scalE minimAl SUfficient Representation lEarning），旨在减少表征中多余的域相关信息，同时保留睡眠阶段分类所需的多尺度时域与频域特征。 机制上，作者指出，跨域对齐同类样本的对比学习虽有助于学习域不变特征，但样本间未共享的信息仍可能包含域特征，单纯对齐不足以消除这些影响。作者进一步认为，直接削减域相关属性容易使表征学习过度集中于高层信息，限制对不同特征层级中时域与频域信息的利用。MEASURE 因而将多尺度信息保留与域相关冗余削减结合；具体的最小充分性目标、损失形式、尺度构造及训练流程尚未验证。 作者报告，在公开睡眠分期基准 SleepEDF-20 和 MASS 上，MEASURE 持续优于所比较的先进方法。摘要未提供具体指标、数值、被试划分或域定义，因此尚不能判断优势对应何种跨被试或跨数据集协议，也不能据此比较不同协议的效果。实验协议、消融及统计信息尚未验证。作者提供了代码仓库，但代码内容、运行条件和结果可复现性尚未核验。 该工作的直接研究对象是生理信号睡眠分期，而非通用 BCI 解码。平台推测（待验证）：若目标 EEG 任务同样存在被试差异与判别性时频信息纠缠，多尺度表征约束可能具有参考价值；但必须核对其对类别标签、域标识及样本组织的依赖。潜在风险是低信噪比、小样本或通道差异下，削减域信息也会损伤任务信息。可在固定跨被试 EEG 划分与相同骨干下，对照基线、仅域信息约束和完整多尺度约束，检验增益是否稳定；这不是本文已验证的 BCI 结果，其他 EEG 相关工作尚未检索确认。