VarMAE：跨分辨率腕部加速度表征

基于摘要分析。该研究针对腕戴式加速度信号基础模型通常依赖固定输入时长与采样率、难以适应不同记录条件和部署约束的问题，提出可变输入掩码自编码器 VarMAE，以单一编码器学习跨采样率与时间上下文的表征。原论文的主要研究对象是可穿戴加速度信号中的人类活动与行为，而非 EEG 或 BCI。 机制上，预训练通过随机裁剪和降采样，从同一信号构造长时段、高采样率视图与短时段、低采样率视图。模型分别执行视图内掩码重建，并加入跨分辨率掩码重建目标：利用长视图中的可见 tokens 预测短视图中的被掩码 tokens。作者认为，裁剪与降采样形成互补的信息瓶颈，有助于学习对输入时长和采样率变化保持有效的表征。摘要未提供具体损失形式、掩码比例及视图对齐方式。 作者报告，在大规模 NHANES 数据集上预训练后，一个参数量为 3.82M 的编码器在八个基准数据集上达到或超过受控的基础模型基线。摘要未列出这些基准的名称、任务、评价指标、划分协议或具体分数，因此尚不能判断提升幅度及不同配置下的稳定性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务所需信息在裁剪和降采样后仍可保留，这种双视图自监督机制可能对应跨采样率、不同窗口长度带来的输入异质性。可复用的是视图内及跨分辨率重建思路，需改造 EEG 多通道输入表示、时间对齐与降采样处理。低信噪比、通道布局差异、跨被试变化和小数据条件可能削弱收益，降采样也可能丢失任务相关频段。一个可检验的小实验是固定 EEG 数据划分与训练预算，对比固定输入掩码自编码器和双视图方案在不同测试采样率、窗口长度下的同一任务指标，并消融跨分辨率目标。已有 EEG 相关工作尚未检索确认，这一迁移假设不构成已验证的 BCI 效果。