W-JEPA：小波潜在预测用于活动识别

基于摘要分析。W-JEPA 面向可穿戴惯性传感器活动识别，针对传感器位置、通道数、采样率及被试差异造成的表征迁移困难，将多尺度小波 token 与自监督联合嵌入预测结合，以保留区分活动的细微尺度特征。 机制上，方法将信号窗口组织为按尺度、传感器轴和时间索引的固定网格小波 token，并以这些 token 为掩码潜在预测单元。预测目标由指数移动平均（EMA）目标编码器提供。作者认为，恢复被掩码 token 的表征需要关联不同尺度及不同轴上的运动，从而学习人体运动的跨尺度、跨轴结构，而非仅依赖特定传感器配置或参与者线索。具体小波类型、网格对齐方式、掩码策略及损失形式尚未验证。 作者报告，在六个可穿戴活动识别基准的随机窗口划分下，W-JEPA 优于所比较的现有先进方法；在被试留出评估中仍表现最佳，平均 macro-F1 比最强已发表基线高 8.7 个百分点。摘要未列出基准名称、具体划分、基线名称及各数据集结果，实验协议、消融及统计信息尚未验证。随机窗口划分与被试留出结果应分别解读；摘要也不足以确认其是否进行了独立的跨数据集迁移评估。 平台推测（待验证）：可迁移假设是，多尺度 token 与潜在预测可能帮助 EEG 表征保留频带—时间结构，并学习跨通道关联。可复用的是多尺度分解与掩码潜在预测思路；需改造的是惯性传感器轴对应关系、EEG 通道布局及尺度范围。低信噪比、伪迹、跨被试频谱差异和小数据可能使模型学到非任务线索。可检验的小实验是在固定 EEG 数据划分、训练预算和下游分类器下，对比小波 token 与原始时域 token 的潜在预测，并分别评估被试内和跨被试 macro-F1。此建议并非论文已验证结论，已有相关 EEG 工作尚未检索确认。