用于 EEG 表征的知识驱动跨视图对比学习

基于摘要分析。本文针对 EEG 监督学习中人工标注成本高、标签差异显著，以及通用自监督框架缺乏 EEG 专属理论依据的问题，提出知识驱动跨视图对比学习框架 KDC2。其核心贡献是引入神经理论先验，通过头皮视图与神经视图学习有限标签条件下的 EEG 表征。 机制上，KDC2 构造 scalp view 与 neural view，分别模拟脑活动的外部与内部表征，再结合多种数据增强，使用摘要所称的 inter-view 与 cross-view 对比学习流程提取不同视图的特征。作者以 homologous neural information consistency theory（同源神经信息一致性理论）建模先验，旨在提取不变且互补的神经知识，并形成组合表征。摘要未说明神经视图如何由 EEG 构建，也未给出正负样本定义、增强操作、损失形式或表征融合方式，这些机制细节尚待全文核对。 作者报告，在不同下游任务的实验中，KDC2 优于所比较的先进方法，并据此认为神经知识支持的 EEG 表征具有跨任务泛化优势。但摘要未提供具体任务、数据集、被试数、标签比例、指标或基线名称，不能量化收益，也不能将跨任务结果等同于跨被试、跨会话或跨数据集泛化。 复现时需核对双视图构建与神经先验的具体实现、预训练及下游评估的数据划分、标签使用范围，以及双视图、知识约束和数据增强各自的贡献。实验协议、消融及统计信息尚未验证；目前材料不足以判断该方法对低信噪比、通道配置变化或小样本 EEG 的稳定性。