SDSC：用于语义信号表征学习的结构感知度量

基于摘要分析。本文研究通用时间序列自监督表征学习中的目标函数设计，提出 Signal Dice Similarity Coefficient（SDSC），以带符号的幅值交集衡量时间信号的结构一致性，将分割任务中的 Dice Similarity Coefficient 扩展到连续信号；摘要未提供 EEG 或 BCI 实验依据。 核心机制：作者认为，MSE 等距离型目标对幅值敏感，对波形极性的惩罚往往不足，且尺度无界，可能妨碍语义对齐与可解释性。SDSC 则关注带符号波形的结构匹配。作者提出以 1 减去 SDSC 构造损失，并采用可微的 Heaviside 近似；还将 SDSC 与 MSE 组合，以改善稳定性并在必要时保留幅值信息。具体公式、归一化方式、近似参数和混合权重尚未验证。 作者报告，在预测与分类基准上，基于 SDSC 的预训练相对 MSE 获得相当或更好的表现，尤其是在域内和低资源场景。摘要未列出数据集、指标、数值、模型结构或划分方式，因此尚不能判断收益幅度及适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 自监督任务需要同时保留波形形态与极性，SDSC 可作为重建目标的候选，而不是已证实的 BCI 方法。可复用部分是相似度与损失设计，需改造或核对多通道聚合、参考方式、幅值标准化及时间对齐。其适用性依赖任务语义是否确实与波形结构对应；低信噪比、跨被试幅值差异、通道参考变化和小数据训练可能使结构匹配偏向噪声或采集差异。一个可检验的小实验是在固定模型、预训练数据量及下游标签预算下，对比 MSE、SDSC 与混合损失，分别评估被试内和跨被试分类，并测试噪声与极性变化的影响。已有 EEG 相关工作尚未检索确认。