跳到正文
只看模型架构#Sleep-EDF
1月1日周日
  1. OpenReview · EEG73

    LGSleepNet：基于局部与全局表征学习的自动睡眠分期模型

    基于摘要分析。本文研究基于 EEG 的自动睡眠分期，提出 LGSleepNet，以联合学习局部与全局表征、融合异质特征及处理样本不平衡。其主要研究对象是睡眠阶段分类，而非 BCI 控制任务。 模型包含 asymmetric Siamese neural network（ASNN，非对称孪生神经网络）、deep adaptive orthogonal fusion（DAOF，深度自适应正交融合）模块与 weighted polynomial cross entropy（WPCE，加权多项式交叉熵）损失。作者认为既有方法对局部特征的关注不足以覆盖全局信息，因此使用 ASNN 同时提取两类特征；DAOF 通过正交化与自适应融合，旨在减少异质特征间的信息冗余与语义偏差；WPCE 则旨在改善分类头的判别能力并缓解样本不平衡。摘要未说明局部与全局的具体时间尺度、网络结构、正交约束实现或损失公式，相关细节尚未验证。 作者报告，在 Sleep-EDF-20、Sleep-EDF-78 和 SVUH-UCD 三个公开数据集上，macro F1 分别为 80.7%、76.0% 和 75.1%，overall Accuracy 分别为 86.0%、82.3% 和 76.3%。这些结果对应各数据集的作者评估，但摘要未提供被试内或跨被试协议、训练与测试划分、通道配置及预处理，不能据此直接比较不同数据集上的泛化能力。作者称模型与其他先进方法相比表现处于先进水平，具体基线及比较条件尚未验证。 复现时应优先核对局部与全局表征的定义、DAOF 的正交化对象与融合方式、WPCE 的类别权重及多项式设置，并确认被试划分、指标汇总方式和各模块的独立贡献。全文、实现可用性、实验协议、消融及统计信息尚未验证；目前证据仅支持摘要所报告的睡眠分期结果，不支持推断其对其他 EEG 或 BCI 任务有效。

    阅读价值：值得核对局部与全局 EEG 表征的正交融合及类别不平衡损失是否分别带来稳定收益；摘要给出了三个公开睡眠数据集的结果，但其数据划分、对照与消融尚未验证。

  2. OpenReview · EEG73

    LGSleepNet：基于局部与全局表征学习的自动睡眠分期模型

    基于摘要分析。该研究针对 EEG 自动睡眠分期中局部与全局信息的联合利用问题，提出 LGSleepNet，将非对称孪生神经网络（ASNN）、深度自适应正交融合（DAOF）模块和加权多项式交叉熵（WPCE）损失结合，用于学习互补表征并缓解样本类别不平衡。其主要研究对象是睡眠分期，而非 BCI 控制任务。 机制方面，作者将既有研究偏重局部特征、忽视全局特征作为研究动机。ASNN 同时提取 EEG 局部与全局特征；DAOF 通过正交化和自适应融合，旨在减少异构特征之间的信息冗余与语义偏差，加强二者的关联表征；WPCE 则用于改善分类头的判别能力并缓解类别不平衡。摘要未给出局部与全局的具体时间尺度、网络结构、正交化实现及损失公式，这些细节尚未验证。 作者报告，在 Sleep-EDF-20、Sleep-EDF-78 和 SVUH-UCD 三个公开数据集上，macro F1 分别为 80.7%、76.0% 和 75.1%，总体 Accuracy 分别为 86.0%、82.3% 和 76.3%。摘要未说明这些结果对应的被试内或跨被试协议、训练与测试划分、通道配置及预处理，因此不能据此直接比较不同数据集的性能或判断泛化能力。作者称其相较其他先进方法具有较高性能，但具体对照基线、优势幅度及统计信息尚未验证。 复现时需核对局部与全局表征各自的贡献、DAOF 与 WPCE 的独立增益，以及类别权重设置和数据划分方式；实验协议、消融及统计信息尚未验证。当前材料支持将其视为 EEG 睡眠分期方法，不足以推断其在其他 EEG 任务或 BCI 场景中的有效性。

    阅读价值：值得关注其局部与全局 EEG 表征融合、异构特征冗余抑制及类别不平衡处理的组合机制，但性能优势仍需结合数据划分、对照基线与消融实验核对。

  3. OpenReview · EEG73

    LGSleepNet：基于局部与全局表征学习的自动睡眠分期模型

    基于摘要分析。该研究针对 EEG 自动睡眠分期中局部与全局特征的联合建模问题，提出 LGSleepNet，通过异构表征融合与类别不平衡损失设计改善睡眠阶段分类。作者认为，既有研究偏重局部特征提取，未充分利用全局特征；这一判断的适用范围仍需结合正文及相关工作核对。 模型包含 asymmetric Siamese neural network（ASNN，非对称孪生神经网络）、deep adaptive orthogonal fusion（DAOF，深度自适应正交融合）模块，以及 weighted polynomial cross entropy（WPCE，加权多项式交叉熵）损失。ASNN 同时提取局部与全局 EEG 特征；DAOF 通过正交化与自适应融合，旨在减少异构特征间的信息冗余和语义偏差，并增强两类表征的关联；WPCE 旨在改善分类头的决策能力并缓解样本不平衡。摘要未提供局部与全局的具体定义、网络结构、正交化约束或损失公式，不能据此确定实现细节。 作者报告，在 Sleep-EDF-20、Sleep-EDF-78 和 SVUH-UCD 上，macro F1 分别为 80.7%、76.0% 和 75.1%，overall Accuracy 分别为 86.0%、82.3% 和 76.3%。摘要未说明这些结果对应的被试内或跨被试协议、训练测试划分及具体对照基线，因此不能直接与其他论文的同名指标比较。作者称模型相较其他先进方法具有较高性能，但优势幅度与统计可靠性尚未验证。 复现时应优先核对 EEG 通道与预处理、输入时间窗口及全局上下文范围、被试划分、类别权重设置，以及 ASNN、DAOF 和 WPCE 的独立贡献。实验协议、消融及统计信息尚未验证，代码与运行条件也尚未确认。本文的主要研究对象是 EEG 睡眠分期，摘要不提供其在运动想象或其他 BCI 任务上有效的证据。

    阅读价值：值得核对其局部与全局 EEG 表征的正交融合机制及类别不平衡处理，但摘要中的性能结果仍需结合数据划分、对照基线与消融实验验证。

5月1日周日
  1. OpenReview · EEG69

    SingleChannelNet：基于原始单通道 EEG 的自动睡眠分期模型

    基于摘要分析。该研究针对睡眠分期中手工特征依赖、多模态 PSG 输入及计算成本问题，提出端到端深度神经网络 SingleChannelNet，从原始单通道 EEG 自动学习用于睡眠阶段分类的特征。其主要研究对象是睡眠分期，而非 BCI 控制或交互任务。 核心机制：摘要称模型采用 90 秒片段作为输入，通过两个 multi-convolution（MC）模块和若干 max-average pooling（M-Apooling）层学习不同尺度的特征表示。摘要将输入称为“textual input”，这一表述与原始 EEG 输入的关系尚需核对，不能据此认定存在文本模态。具体卷积配置、池化组合、损失函数、训练策略及输出标签与输入片段的对应方式尚未验证。 数据与结果：作者在 CCSHS（Cleveland children’s sleep and health study）和 Sleep-EDF（Sleep-EDF database expanded）两个公开 PSG 数据集上评估模型，涉及 C4/A1 与 Fpz-Cz 单通道 EEG。按摘要中总体 Accuracy 与 Cohen’s kappa 的指标顺序，作者报告 CCSHS 上分别为 90.2% 和 86.5%，Sleep-EDF 上分别为 86.1% 和 80.5%；其中 Kappa 保留摘要的百分数表达，不与 Accuracy 混用。作者称结果优于所比较的先进方法，但摘要未提供具体基线、被试数量、数据划分及被试内或跨被试评估协议，因此不能据此判断跨被试泛化能力或直接比较两数据集的难度。 适用范围与复现条件：作者报告模型能够在不同采样率的单通道 EEG 上自动学习特征，无需手工设计特征；这并不等同于已验证跨数据集迁移。复现时需核对采样率与预处理、90 秒输入的构造及标签对齐、训练测试划分、类别分布和基线设置。实验协议、消融及统计信息尚未验证，代码与权重可用性也未由所给材料确认。

1月1日周二
  1. OpenReview · EEG67

    基于深度神经网络的单通道 EEG 自动睡眠分期

    基于摘要分析。该研究面向自动睡眠分期，提出 ResSleepNet，直接从原始单通道 EEG 学习特征并分类睡眠阶段，以替代手工特征提取。其主要贡献是将残差网络与双向长短期记忆网络结合，在同一模型中处理信号特征与睡眠阶段间的时序关系；研究对象是睡眠分期，并非直接验证 BCI 解码效果。 机制方面，摘要明确描述了一个 22 层深度网络。作者将残差网络的作用描述为学习时间不变特征，将双向长短期记忆网络的作用描述为把学习到的睡眠阶段转移规律纳入模型。具体层级配置、输入片段长度、序列组织方式、损失函数与训练设置尚未验证。双向时序建模的上下文范围及其对在线推理的适用性也需查阅全文确认。 结果方面，作者报告在 Sleep-EDF 数据库上开展 10 次实验，6 类与 5 类睡眠分期的平均总体 Accuracy 分别为 90.82% 和 91.75%。摘要未明确这些实验属于被试内还是跨被试评估，也未提供数据划分、类别合并规则及不确定性，因此不能将两种分类设置的数字直接视为同一协议下的性能比较。作者报告优于当时的先进睡眠分期方法，并称对 S1 与 REM 的识别准确率较高，但具体对照和分阶段指标尚未验证。摘要还称模型适用于 EOG、EMG 特征提取，相关验证范围尚不明确。 复现时应优先核对 Sleep-EDF 的使用版本、通道与预处理、被试及记录划分、5 类与 6 类标签定义、10 次实验的组织方式，以及序列上下文的构建方法。实验协议、消融及统计信息尚未验证，代码可用性也未由材料确认。现有证据支持将其作为单通道 EEG 睡眠分期方法阅读，不能据此推断其在其他 BCI 任务中的有效性。

1月1日周一
  1. OpenReview · EEG71

    使用单通道 EEG 的自动睡眠分期：利用基于注意力的循环神经网络学习序列特征

    基于摘要分析。本文研究单通道 EEG 自动睡眠分期，提出以深层双向 RNN 和注意力机制学习 EEG 片段内部的序列特征，再用线性 SVM 完成分类，并引入通过 DNN 判别式学习的滤波器组用于预处理。 核心流程是将一个 EEG epoch 分解为多个短帧，转换为逐帧特征向量序列，并以 sequence-to-label 方式训练带注意力机制的 RNN。作者预期，判别式训练能使注意力层之后的高层特征向量编码输入序列中的分类信息，因此将训练好的网络用作特征提取器，提取该向量后交由线性 SVM 分类。这里明确建模的是单个 epoch 内部的帧序列，摘要未说明是否利用相邻 epoch 间的睡眠阶段转移信息。 另一个方法组成是通过 DNN 判别式学习滤波器组，并在序列特征学习之前对逐帧特征向量进行滤波。作者报告，这一步进一步改善了分类性能，完整方法在 Sleep-EDF 上表现良好；但摘要未提供具体指标、数值、对照基线或评估划分，不能据此量化增益，也不能判断结果属于被试内还是跨被试协议。 复现时需核对 EEG 通道选择、epoch 与短帧划分、逐帧特征构造、滤波器组的训练目标、RNN 与注意力的具体实现，以及 SVM 的训练和调参方式。Sleep-EDF 的使用版本、被试范围、类别处理、数据划分、消融及统计信息尚未验证。本文的直接贡献面向 EEG 睡眠分期，不能仅凭该任务的结果推断其对其他 BCI 任务有效。

    阅读价值：值得核对其片段内序列特征学习、注意力聚合与线性 SVM 分类的组合机制，以及可学习滤波器组的增益；摘要尚不足以判断其跨被试泛化能力。