基于多频带 EEG 对比表征学习的跨被试耳鸣诊断

基于摘要分析。本研究针对耳鸣异质性较高、既有 EEG 研究结果难以保持一致的问题，提出多任务学习框架 Multi-band EEG Contrastive Representation Learning（MECRL），利用静息态 EEG 区分耳鸣患者与健康对照。其主要研究对象是耳鸣的 EEG 辅助识别及潜在神经生物标志物，而非 BCI 控制任务。 数据与评估：作者采集了 187 名耳鸣患者和 80 名健康被试的静息态 EEG，并在该数据集上开展被试独立、即跨被试识别实验。作者报告 MECRL 优于所比较的先进基线，并能够泛化到未见对象；但摘要未给出具体指标、效应大小、显著性检验及基线名称。“unseen topics”的具体评估含义也需核对正文，不能据此推断跨会话或跨数据集泛化。 方法机制：摘要明确将多频带 EEG、对比表征学习与多任务学习结合，但频带划分、正负样本构造、任务定义、损失函数、网络结构及训练流程尚未验证。因此，目前可以确认方法方向，不能判断其性能提升具体来自哪一模块，也不能仅凭作者对框架的描述认定其数据效率或稳健性。 解释与局限：作者报告，模型关键参数的可视化显示，高分类权重电极主要分布于额叶、顶叶和颞叶区域。这属于模型权重层面的观察，不能直接等同于耳鸣的因果机制或已验证的神经生物标志物。复现与进一步评估需核对 EEG 采集及预处理、被试级数据划分、潜在临床混杂因素、基线比较、消融及统计信息；上述实验协议尚未验证，数据和代码的开放情况也无法由摘要确认。该研究的诊断表述仍应与实际临床验证区分。