CSLP-AE：用于零样本 EEG 信号转换的对比式分离潜变量置换自编码器框架

基于摘要分析。该研究针对 EEG 噪声大、跨被试变异妨碍可泛化信号提取的问题，提出 contrastive split-latent permutation autoencoder（CSLP-AE），旨在将任务相关内容与被试相关风格分离，并支持任务及被试之间的 EEG 信号转换。 核心机制是划分潜在表示，并利用对比学习引导不同潜变量部分分别表征任务（content）与被试（style）；框架直接针对 EEG 转换进行优化。其思路受语音转换技术启发，研究假设是：若能够提取同时解释任务内容与个体差异的潜在表示，就能实现相应的信号转换。摘要未展开 permutation 的具体实现、潜变量交换方式、损失形式及训练所需标签，尚不能据此重建完整算法。 作者报告，与常规监督学习、无监督自编码器（AE）及自监督对比学习训练相比，CSLP-AE 能获得更有利于泛化的被试与任务表征，并支持未见被试之间的零样本转换。摘要未提供数据集、被试数、任务类型、数据划分、转换质量指标或数值结果；“未见被试”的具体定义，以及推理时所需输入与参考信号条件，均尚未验证，不能将该结论直接等同于跨被试 BCI 解码性能提升。 复现时应重点核对任务与被试因素能否在数据中被独立区分、潜变量分离的评估方式，以及零样本转换的训练／测试边界。实验协议、消融及统计信息尚未验证。作者还提出该框架可能适用于其他生物信号的内容与风格提取，但摘要中的研究对象与报告结果限于 EEG 转换。