基于局部化时频对比表征学习的自监督人体活动识别

基于摘要分析。该研究面向智能手机加速度数据的人体活动识别，通过时域与时频域双路自监督对比学习，减少对类别标签的依赖，并支持在少量微调后进行跨数据集活动分类；研究对象并非 EEG 或 BCI。 方法包含两条独立处理流程：一路学习时频域表征，另一路仅学习时域表征。每一路先以自监督对比学习训练，再针对分类任务微调，最后融合两路结果。摘要未说明标题中“局部化”的具体实现，也未给出正负样本构造、数据增强、损失形式与融合策略，这些细节尚未验证。 作者报告，在 MotionSense、human activities and postural transitions data（HAPT）与 heterogeneity human activity recognition（HHAR）上的 F1 分别为 0.934、0.911 和 0.826，并优于所比较的既有方法；但摘要未明确这些结果的被试划分、F1 平均方式及具体基线，不能将其视为已确认的跨被试或跨数据集成绩。另在跨数据集迁移评估中，作者使用 MobiAct 预训练，以其余三个数据集执行下游分类，报告优于其他自监督方法，但未提供该协议下的具体分数与微调标签量。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可检验的迁移假设是，时域与时频域互补表征可能有助于 EEG 在标注有限时的分类，但加速度活动信号上的效果不等于 BCI 有效性。可复用双路预训练与融合思路；需针对 EEG 调整通道组织、时频表示及增强策略，避免破坏任务相关节律。低信噪比、跨被试差异、通道不一致及小样本微调均可能使收益消失。一个小规模验证可在固定跨被试划分与相同标注预算下，对比时域单路、时频域单路和双路融合，并保证预训练不使用测试被试数据。相关 EEG 工作尚未检索确认。