MtCLSS：用于半监督儿童睡眠分期的多任务对比学习

基于摘要分析。研究针对儿童自动睡眠分期中标注资源有限、数据异质性较强的问题，提出多任务对比学习框架 MtCLSS，将半监督学习与自监督对比学习结合，以利用少量标注数据及 EEG 信号变换学习表征。 核心机制是在整夜多导睡眠监测的 EEG 记录上施加适配信号的变换，并通过识别这些变换增强网络的表征能力；同时扩展对比损失，使其适用于半监督设置。作者认为，这种组合既能从少量监督数据中学习任务特定特征，也能从信号变换中提取通用特征，从而改善模型鲁棒性。摘要未给出具体变换类型、损失公式、任务权重及网络结构，这些实现细节尚未验证。 作者报告，在一个真实世界儿童睡眠数据集上，MtCLSS 获得 Accuracy 0.80、F1-score 0.78、Kappa 0.74；摘要将应用场景描述为标注数据非常有限，但未说明这些结果对应的标注比例、被试数量、数据划分或被试内／跨被试协议，因此不能据此判断跨被试泛化能力，也不宜与其他协议下的分数直接比较。作者还在一个知名公开数据集上考察通用性，但摘要未提供数据集名称及对应结果。 该研究的主要对象是 EEG 儿童睡眠分期，而非直接的 BCI 控制任务。复现与证据核对的重点包括：信号变换是否保留睡眠阶段相关信息、变换识别任务与分期任务如何协同、扩展对比损失如何利用标注与未标注样本，以及不同标注比例下相对监督学习和半监督基线的增益。实验协议、消融及统计信息尚未验证；代码可用性与完整训练配置亦需取得正文后核对。