CSLP-AE：用于零样本 EEG 信号转换的对比式分割潜空间置换自编码器框架

基于摘要分析。该研究针对 EEG 噪声较高、被试间变异妨碍可泛化信号提取的问题，提出 CSLP-AE，将任务相关神经激活视为内容（content），将个体差异视为风格（style），以潜在表征分离支持任务与被试之间的 EEG 信号转换。 方法借鉴语音转换思路，采用对比式分割潜空间置换自编码器，直接面向 EEG 转换进行优化，并通过对比学习引导不同潜空间部分分别表征被试与任务。摘要未展开置换操作、对比样本构造、损失形式或推理流程，因此尚不能确认内容与风格如何交换，以及训练时具体使用哪些标签或配对信息。 作者报告，相较于常规监督学习、无监督自编码器（AE）及自监督对比学习训练，CSLP-AE 能获得更有利于泛化的被试与任务表征，并支持未见被试之间的零样本转换。摘要未提供数据集、被试数量、训练测试划分、转换质量指标及定量结果；“未见被试”的具体定义、转换所需输入和可用校准信息尚未验证，不能据此认定其可在完全无目标被试数据的条件下工作。 阅读与复现时，关键是核对任务信息保留与被试风格转换各自如何评估，以及潜空间分离是否得到独立验证。实验协议、消融及统计信息尚未验证。本文主要贡献是 EEG 信号转换与表征分离，摘要不足以证明其能够提升下游 BCI 解码性能。