PLARE：基于混合专家特征替换的自监督 ECG 表征学习

基于摘要分析。该研究针对 ECG 局部波形在记录内及记录间存在形态差异的问题，提出 PLARE（Patch-Level Adaptive Replacement with Experts），通过 patch 级混合专家模块按内容选择特征处理方式，学习记录级自监督表征。 机制上，内容依赖路由（CDR）根据每个 patch 的卷积特征选择专家，再用专家输出替换原始特征，随后进行 token 投影；时间 Transformer 建模 patch token 之间的关系。其关键设计是投影前的特征替换，而不是将专家输出以残差方式叠加。摘要未给出自监督目标、专家数量、路由约束或训练规模。 作者报告，在 PTB-XL 的四组标签任务及 CPSC2018 构成的五项任务中，PLARE 在 linear probing 和 fine-tuning 两种协议下，均有四项任务的 AUROC 与 AUPRC 高于所评估基线。消融中，在两种协议下，特征替换均在五项任务中的四项取得比残差相加更高的 AUROC 与 AUPRC 均值；内容依赖路由则在全部五项任务上优于固定随机专家分配。作者还报告，其推理成本低于所比较的较大基线，但摘要未给出具体数值及成本测量条件。 利用 INCART 的心搏级标注，作者在冻结的预训练模型中观察到，正常心搏与室性早搏周边上下文的专家选择分布存在差异；这一观察不能单独证明专家具有稳定的生理语义。具体数据划分、预训练与下游数据关系、实验协议、消融细节及统计信息尚未验证。摘要提供匿名代码地址，但实现完整性与可复现性尚未核验。 平台推测（待验证）：若 EEG 局部时间片段也存在可由内容路由捕获的重复形态，patch 级特征替换可能具有复用价值。可复用专家路由与替换模块，但需改造通道组织、patch 尺度及自监督目标；低信噪比、伪迹和跨被试差异可能使路由依赖非任务特征，小数据也可能导致专家使用失衡。可在固定 EEG 编码器、训练数据与计算预算下，对照特征替换、残差相加及随机路由，检验跨被试表现与路由稳定性。此为迁移假设，已有 EEG 相关工作尚未检索确认。