ProtoMix：通过基于原型的 Mixup 增强健康状态表征学习

基于摘要分析。该研究面向电子健康记录（EHR）的健康预测任务，针对标注数据稀缺及增强样本可能无法保留患者亚型结构的问题，提出基于原型的 mixup 方法 ProtoMix，以亚型中心引导样本合成和表征学习；研究对象并非 EEG 或 BCI。 核心机制包括三个部分：以亚型中心作为原型，通过原型引导的 mixup 训练任务，使决策边界远离亚型；采用原型引导的 mixup 采样策略，优化数据流形不同区域的采样权重；通过自适应混合系数，在训练过程中动态扩展训练分布。其方法动机是利用数据内部的亚型结构约束增强过程，而非仅依靠生成模型产生新样本。摘要将小样本和潜在标签不平衡下的生成退化作为研究动机，但不能据此认定所有 GAN 或 diffusion 方法均存在同等问题。 作者报告在三个真实世界数据集上的实验支持 ProtoMix 的有效性。摘要未提供数据集名称、预测任务、样本量、划分协议、对照基线或具体指标，因此尚不能量化其提升，也不能确认亚型结构保留对预测效果的独立贡献。原型构建与更新、亚型监督来源、混合系数计算、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 表征中存在可稳定估计、且与目标任务相关的亚型结构，原型引导的增强可能对应小样本条件下普通 mixup 混合不相容状态的风险。可考虑复用原型引导的表征混合与采样思路，但需改造原型定义及其与类别、被试和会话的关系。低信噪比、通道差异和小数据可能使原型主要反映被试差异或伪迹，而非任务状态。一个可检验的小实验是在固定的跨被试 EEG 划分下，仅用训练集估计原型，在相同编码器与训练预算下比较无增强、普通 mixup 与原型引导 mixup；这只是迁移假设，已有 EEG 相关工作尚未检索确认。