面向 ECG 与 EEG 分类的域泛化：算法与基准

基于摘要分析。该研究针对 ECG 与 EEG 分类模型在未见分布样本上性能下降的问题，提出并实现开源域泛化（Domain Generalization，DG）评估基准，同时适配计算机视觉领域的 DG 算法，并提出利用多层表征改善泛化能力的新神经网络架构。 方法与贡献：研究将一维生物信号分类作为主要对象，兼顾评估协议与模型设计。基准旨在简化 DG 算法的评估过程；算法部分考察视觉领域方法在 ECG、EEG 上的适用性；新架构以多层表征为核心机制。摘要未说明具体算法名称、表征融合方式、损失函数或训练与推理流程，这些细节尚未验证。 结果：作者报告，在所构建的 DG 评估设置下，ECG 与 EEG 数据集均存在分布偏移引起的泛化问题；作者报告所提模型优于基线，并声称在两类数据集上超过现有最佳方法。摘要未提供数据集名称、被试数量、域的定义、训练与测试划分、指标或数值，因此不能将这些结果具体归为跨被试、跨会话或跨数据集效果，也不能据此判断改善幅度及统计可靠性。作者将其描述为据其所知首个用于评估 ECG 与 EEG DG 算法的开源框架，该优先性声明尚未独立核实。 复现与适用边界：应优先核对域划分、预处理、模型选择是否使用目标域信息、基线配置及多层表征的消融结果；这些属于待核对事项，并非已确认的问题。摘要称框架已开源，但具体仓库、依赖与运行条件尚未验证。材料直接涉及 EEG 分类，但未明确任务是否属于 BCI，不能将其泛化优势直接视为 BCI 任务上的已验证收益。实验协议、消融及统计信息尚未验证。