对比一切：面向医学时间序列的层次化对比学习框架

基于摘要分析。该研究针对医学时间序列对专家标注的依赖，以及单一数据层级的对比学习难以充分利用数据一致性的问题，提出层次化自监督对比学习框架 COMET。其主要研究对象是 ECG 心肌梗死分析及 EEG 阿尔茨海默病、帕金森病分析，而非 BCI 控制任务。 方法机制：COMET 在 observation、sample、trial 和 patient 四个层级构造对比损失，以学习保留多层级一致性的表征。摘要未说明各层级的具体定义、正负样本构造、数据增强方式、损失权重或编码器结构，这些实现细节尚未验证。方法依赖能够识别不同数据层级关系的信息；实际需要哪些患者标识、试次组织信息及监督信号，需查阅正文和代码确认。 结果与证据：作者报告，在患者独立设置下，使用三个数据集与六个基线比较，COMET 在所有数据集上均优于对照，尤其在标注数据比例为 10% 和 1% 的设置中表现突出。摘要未提供数据集名称、患者数量、具体指标、数值及划分细节，不能据此量化提升，也不能直接将患者独立协议等同于某种 BCI 跨被试协议。实验协议、消融及统计信息尚未验证。摘要提供了公开代码地址，但代码完整性与复现条件尚未核查。 平台推测（待验证）：可检验的迁移假设是，多层级一致性约束可能帮助少标注 EEG 任务学习更稳定的表征，但疾病分析中的患者级一致性不必然适用于 MI、SSVEP 等任务。可复用部分是层次化对比学习思路；需改造的是层级定义及正负样本关系，避免将同一被试的不同任务类别错误拉近。低信噪比、通道差异、小数据及被试特征主导表征，都可能削弱收益。一个小规模检验是在固定跨被试划分和标注预算下，以相同编码器比较单层级与多层级对比学习，并逐级消融以检查任务指标及表征的被试依赖性。已有相关 EEG/BCI 层次化对比学习工作尚未检索确认。