深度网络无监督时域 EEG 表征学习的频谱考量

该研究面向脑疾病早期诊断中的 EEG 表征提取，考察无监督时域深度网络是否因频谱偏置而低估可能与疾病相关的高频信息。作者通过合成实验与实证验证，分析三种自编码器架构（LSTMVAE、VAEEG、Transformer）及一个 EEG 基础模型的频谱约束。基于摘要分析，未取得论文全文。 核心机制是 EEG 特有的 1/f^χ 功率衰减与 Mean Squared Error（MSE）重构损失之间的相互作用。作者报告，自编码器能够捕获 alpha 节律减慢等宏观频谱变化，但在 1/f 衰减频谱下，MSE 所诱导的幅值驱动掩蔽效应使高频成分持续受到衰减。这一结论关注的是时域重构目标对不同频率信息的保留偏差，不能直接等同于疾病诊断性能下降或 BCI 解码性能下降。 作者报告，增加潜在空间维度可以缓解高频衰减，但会牺牲表征紧凑性与生成稳定性。作者据此主张在基础模型级特征提取中引入频域损失项及梯度平衡技术；摘要尚不足以确认这些建议是否已作为具体改进方法完成验证，也未明确所评估 EEG 基础模型的名称及其独立结果。 摘要未提供实证数据集、被试数量、采样率、频段定义、数据划分、对照基线或量化指标；实验协议、消融及统计信息尚未验证。复现时需核对合成信号的频谱构造、高频保真的度量方式，以及潜在维度变化与生成稳定性的评估条件。本文直接涉及 EEG 表征学习，但其研究动机是脑疾病生物标志物提取，现有材料不支持将结论扩展为已验证的 BCI 任务收益。