MtCLSS：用于半监督儿童睡眠分期的多任务对比学习

基于摘要分析。该研究针对儿童自动睡眠分期中标注资源有限和数据异质性的问题，提出多任务对比学习框架 MtCLSS，将半监督学习与自监督对比学习结合，用少量有标注数据及信号变换任务学习 EEG 表征。其主要研究对象是儿童 EEG 睡眠分期，并非直接验证 BCI 控制或交互性能。 核心机制是在整夜多导睡眠监测的 EEG 记录上应用适配信号的变换，并通过识别这些变换提升网络表征能力；同时扩展对比损失，使其适用于半监督设置。作者认为，该框架既能从少量监督数据中学习任务特异性特征，也能从信号变换中提取通用特征，从而提高模型鲁棒性。摘要未说明具体变换、正负样本构造、损失公式、多任务权重或网络结构，这些实现细节尚未验证。 作者报告，在一个真实世界儿童睡眠数据集上，MtCLSS 达到 Accuracy 0.80、F1-score 0.78、Kappa 0.74；但摘要未提供数据集名称、被试数、标注比例、训练测试划分、被试内或跨被试协议，以及 F1 的平均方式，因而不能据此判断跨被试泛化或相对基线的提升幅度。作者还报告在一个知名公开数据集上检验了通用性，但其名称、评估协议和结果数值未给出。实验协议、消融及统计信息尚未验证。 复现时应重点核对信号变换是否保留睡眠阶段相关信息、不同辅助任务与扩展对比损失的独立贡献，以及有标注和无标注数据的来源及划分。摘要不足以确认代码可用性或复现所需的完整配置，也不足以将该任务上的结果推广为其他 EEG/BCI 任务的有效性。