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，同时将计算机视觉中的 DG 算法适配至一维生物信号分类，并提出利用多层表征提升泛化能力的新神经网络架构。 技术上，工作结合了评估框架、跨领域算法适配和模型设计三个部分。新架构的明确机制是利用多层表征，但摘要未说明表征如何融合、具体网络结构、损失函数及训练流程，因此尚不能判断其优势来自哪些模块。作者称该框架是其所知首次面向 ECG 与 EEG DG 算法的开源评估尝试；这一优先性主张尚未独立核验。 作者报告，在所采用的 ECG 与 EEG 数据集及 DG 设置下，实验显示了分布偏移造成的泛化问题，且所提模型优于基线算法，并声称在两类数据集上超过当时最先进方法。摘要没有给出数据集名称、分类任务、被试数量、域的定义、训练与测试划分、评价指标或具体分数，不能据此判断结果属于跨被试、跨会话还是跨数据集泛化，也不能将这些协议视为可互换。 该工作直接涉及 EEG 分类，但摘要未明确其任务是否属于 BCI。复现时需优先核对域构建方式、模型选择是否独立于测试域、算法间预处理与训练条件是否一致，以及多层表征的消融和统计结果。作者明确表示基准已开源，但代码获取方式、依赖与运行配置尚未验证；实验协议、消融及统计信息尚未验证。