结合非线性动力学特征的含噪脑信号对比学习与多任务学习

基于摘要分析。研究针对含噪 EEG 的表示学习与运动想象（MI）分类，提出两阶段多任务框架，将去噪、非线性动力学建模和自监督对比学习结合，并通过分阶段训练分离信号重建与判别目标。 第一阶段训练去噪自编码器，旨在抑制伪迹并稳定时间动态；第二阶段以去噪后的信号为输入，联合完成 MI 分类、基于 Lyapunov exponent 标签的混沌与非混沌状态判别，以及采用 NT-Xent loss 的自监督对比表示学习。卷积骨干与 Transformer encoder 用于捕捉时空结构，动力学辅助任务则旨在使表示对非线性脑动态保持敏感。摘要未提供去噪监督的构造方式、动力学标签的估计流程、对比样本生成策略或多任务损失权重，这些实现条件尚未验证。 作者报告，该框架提升了 EEG 解码的鲁棒性与泛化能力，并优于强基线及近期最先进方法；作者同时认为，两阶段设计可缓解重建目标与判别目标之间的干扰，提高跨数据集稳定性。摘要未给出数据集、被试数量、划分方式、评估指标或数值，因此无法判断这些结论对应被试内、跨被试、跨会话还是跨数据集协议，也不能量化增益。 复现时值得重点核对：去噪是否保留 MI 判别信息，Lyapunov exponent 标签对噪声和估计参数是否敏感，以及动力学辅助任务、对比学习和分阶段训练各自贡献多少。上述问题属于待核对事项，不代表作者未进行相应实验；完整实验协议、消融及统计信息尚未验证。来源材料也不足以确认代码可用性与发表状态。