CSLP-AE：用于零样本 EEG 信号转换的对比式分离潜空间置换自编码器框架

基于摘要分析。该研究针对 EEG 噪声大、被试间差异影响可泛化信号提取的问题，提出 CSLP-AE，将潜在表征拆分为任务相关的内容（content）与被试相关的风格（style），并直接面向 EEG 信号转换进行优化。 机制上，作者借鉴语音转换思路，假设在任务与被试之间转换 EEG 信号，需要提取分别表征任务内容和被试差异的潜在变量。框架利用对比学习引导潜空间的不同部分显式表征任务与被试因素。摘要未给出潜空间置换的具体操作、对比样本构造、损失形式及转换时所需的输入信息，这些实现条件尚未验证。 作者报告，与常规监督训练、无监督自编码器（AE）及自监督对比学习训练相比，CSLP-AE 能获得更有利于泛化的被试与任务表征，并可在未见被试之间实现零样本转换。摘要未提供数据集、任务类型、被试数、数据划分、评价指标或数值结果，因此尚不能判断零样本设定的具体边界，也不能将表征质量或信号转换结果等同于 BCI 解码性能提升。 阅读与复现时，应重点核对内容与风格分离的评价方式、未见被试的定义、转换后任务信息的保留程度，以及各对照方法的训练与评估协议。实验协议、消融及统计信息尚未验证。作者还提出该框架可能适用于其他生物信号的内容与风格提取，但摘要所述研究仅涉及 EEG 转换，其他信号上的有效性尚未验证。