基于弱监督样本构建的自训练 EEG 判别模型：从年龄视角开展 ASD 评估

基于摘要分析。该研究针对 Autism Spectrum Disorders（ASD，自闭症谱系障碍）EEG 判别中标注样本有限、被试个体差异较大的问题，提出 STEM（Self-Training EEG Model）：用少量标注样本初始化模型，再通过构建伪标签样本进行自训练。研究对象是不同年龄组儿童的静息态 EEG 与 ASD 判别，并非直接验证 BCI 控制任务。 初始化阶段采用多任务模型 MAC，由 AutoEncoder 与分类器组成。AutoEncoder 使用深度可分离卷积和 BiGRUs，通过 EEG 重建学习表征；分类器利用有限标注样本进行监督学习，使表征关注判别任务。初始化模型为未标注样本提供潜在 EEG 表征与预测概率。随后，PLASC 综合编码器特征空间中的样本距离关系与预测概率构造伪标签，以这些样本继续训练 MAC。作者将这一过程解释为学习新被试的个体信息、改善模型对新被试样本的适应；具体伪标签筛选规则、损失权重与迭代策略尚未验证。 作者报告，在来自 175 名疑似 ASD 儿童、覆盖不同年龄组的静息态 EEG 评估中，STEM 相较所比较的方法取得最佳表现，Accuracy 为 88.33%，F1 为 87.24%。摘要未明确这些数值对应的被试内或跨被试划分、测试集构成及基线配置，因此不能据此认定跨被试泛化效果。作者还报告，标注数据有限时多任务学习优于监督方法；PLASC 在不同年龄组的 ASD 判别中带来 Accuracy 3%–8%、F1 4%–10% 的提升，并称增幅比对照方法约高 6%。摘要未明确这些增幅是相对百分比还是百分点，其计算口径需核对。 复现重点是儿童的诊断标签与年龄分组依据、被试级数据划分、预处理、标注比例，以及新被试未标注数据在训练和评估中的使用方式。还需核对伪标签可靠性、错误累积风险及个体差异对特征距离的影响。实验协议、消融及统计信息尚未验证，现有材料不足以支持临床诊断效用或其他 BCI 任务中的有效性结论。