特征匹配：面向可穿戴 EEG 的改进迁移学习技术

基于摘要分析。研究针对可穿戴睡眠监测设备采用非传统电极配置、目标配置标注数据有限时的自动睡眠分期问题，提出 feature matching 迁移学习策略，利用源配置的大量数据及少量源—目标配对样本，将目标配置提取的特征与对应源配置特征对齐，作为常规 finetuning 的替代方案。 核心机制是利用配对样本建立不同电极配置之间的表征对应关系，而不仅是将源模型权重迁移后进行微调。摘要说明训练使用较多源模态数据与少量配对数据，但未给出特征匹配的具体损失、匹配层位置、参数更新范围，以及配对样本的采集和时间对齐方式；这些实现条件尚未验证。 作者在三个目标域、两种神经网络架构及不同训练数据量下比较 feature matching 与 finetuning。作者报告，尤其在非传统记录配置仅有 2–5 条标注记录的小样本条件下，feature matching 持续优于 finetuning，不同场景和数据集的 Accuracy 平均相对差异为 0.4%–4.7%；该数值是相对差异，不能解读为 Accuracy 提升了相同数值的百分点。摘要未明确每条记录对应的被试数，也未提供数据集名称、绝对 Accuracy、被试内或跨被试划分及统计不确定性。 作者据此认为该方法适合极低数据量下的新型可穿戴设备睡眠分期。复现时需要核对配对数据的获取成本、源与目标数据的划分、finetuning 对照设置，以及各目标域的具体结果；实验协议、消融及统计信息尚未验证。现有证据针对睡眠分期与电极配置迁移，不能直接视为其他 EEG 任务或 BCI 控制任务的有效性证据。