SplitSEE：用于单通道 EEG 表征学习的可拆分自监督框架

基于摘要分析。该研究关注如何仅利用单通道 EEG 学习可适用于不同通道、并扩展至癫痫发作预测等任务的表征，提出可拆分自监督框架 SplitSEE。其核心贡献是分别学习时域与频域表征，通过深度聚类约束两种视角对同一输入形成一致的聚类分配，并结合预训练到微调流程支持部分模型层的使用。 机制上，作者将时域与频域视为同一 EEG 的两种不同视角，设置两个域专用模块独立学习表征，旨在应对传统基于频谱图方法的时频权衡问题。随后引入用于衡量信息相似性的聚类损失，鼓励两域表征共享聚类分配。摘要未提供模块结构、聚类损失公式、聚类更新方式或预训练配置，可拆分架构的具体拆分位置与下游接口也尚未验证。 作者报告，在摘要所述但未详列的评估设置下，仅从单通道 EEG 学习的 SplitSEE 超过了多通道基线；模型在不同通道间适配时性能方差较低，并在团队采集的临床数据集上取得较好表现。作者还报告，使用部分模型层、仅进行一个 epoch 的微调即可获得较高且稳定的性能。摘要未给出数据集名称、被试数量、任务对应结果、评价指标、数值或基线配置，也未明确被试内、跨被试、跨会话及跨通道评估的具体划分，因此这些结论目前无法量化核对，且跨通道适配不能直接视为跨被试泛化证据。 复现时需核对时域与频域输入的构建、聚类目标及训练流程、预训练与微调数据的划分、可拆分模块的选择方式，以及单通道方法与多通道基线的对照条件。临床数据的采集场景、实验协议、消融及统计信息尚未验证；摘要中的临床数据结果也不足以确立 BCI 在线应用效果。