用于安全关键决策中神经动态时间序列进程感知分段的自监督进化学习

基于摘要分析。该研究针对神经生理信号中认知阶段的时间组织难以直接标注的问题，提出自监督表征学习与进化搜索相结合的分段方法，从 EEG 数据中发现潜在神经动态结构及其时间进程。研究对象是具身道路穿越决策任务中的认知阶段识别，并非摘要已证实的通用 EEG 基础模型。 方法联合优化四项目标：阶段内时间可预测性、边界对比、跨试次对齐，以及稀疏的阶段特异性特征权重；采用基于种群的进化搜索，通过变异和交叉探索具有多个吸引域的优化空间。其思路区别于以局部统计变化为依据的变点检测及 Hidden Markov Models，旨在同时保留阶段内时间连续性并增强阶段间差异。具体目标函数、特征构造、阶段数量设定与搜索配置尚未验证。 验证数据来自参与具身道路穿越决策任务的被试 EEG，任务模拟从知觉评估、风险评估到决策承诺的认知加工转变。作者报告，所发现阶段的边界对比获得数量级提升，并据此认为方法能够捕捉高阶全局时间组织；摘要未给出该指标的计算方式、具体数值及对应比较基线，不能将其等同于分段准确率提升。作者还报告，消融与敏感性研究支持跨试次可迁移状态几何的识别，以及对被试和刺激异质性的稳健性；重建阶段具有行为合理性，模型关注的维度与相关神经生理机制相符。 复现时需核对认知阶段的独立验证依据、被试与试次划分、边界对比指标及基线设置，并确认跨试次对齐和特征权重的估计流程。摘要不足以判断其是否支持跨被试泛化或在线决策；被试规模、预处理、完整实验协议、消融细节及统计信息尚未验证。