跳到正文
只看多模态与生成#Sleep-EDF
9月16日周三
  1. OpenReview · EEG70

    EC-SleepMamba：用于睡眠分期的 EEG 引导跨模态 Mamba 框架

    基于摘要分析。该研究面向自动睡眠分期，提出 EC-SleepMamba，以 EEG 引导的非对称跨模态交互结合多尺度局部特征和跨 epoch 时序建模，处理模态信息贡献不均衡及长时程生理信号建模的计算负担。研究对象是睡眠分期，并非直接验证 BCI 解码性能。 机制上，框架首先通过模态专属的双尺度 CNN 提取高分辨率局部特征；随后在序列编码中，以 EEG 衍生上下文控制辅助模态的 Cross-Mamba 分支，通过交互门实现从主模态到辅助模态的定向信息调节；最后使用全局 bi-Mamba 模块捕捉跨 epoch 的睡眠阶段转移模式。其主要设计依据是 EEG 为主要模态、EOG 与 EMG 提供辅助信息的临床先验，而不是对各模态采用对称融合。具体门控公式、训练损失、输入序列长度及计算复杂度尚未验证。 作者报告，在 Sleep-EDF-39 和 Sleep-EDF-153 上，EC-SleepMamba 优于五种竞争方法，并改善了易混淆睡眠阶段的区分。摘要未提供具体指标、数值、竞争方法名称或数据划分，因而不能判断优势幅度，也不能确定其属于被试内还是跨被试评估。实验协议、消融及统计信息尚未验证。 复现时需核对数据预处理、模态配置、划分方式与长序列构建方式，并检查 EEG 引导门控及全局 bi-Mamba 的独立贡献。该框架依赖同步多模态信号与跨 epoch 上下文；对辅助模态缺失、EEG 噪声及不同记录条件的适用性，需要进一步查阅全文确认。摘要中的分期结果不能直接外推为其他 EEG 任务或 BCI 场景中的有效性。

    阅读价值：值得阅读的具体原因是其将 EEG 主导、EOG 与 EMG 辅助的非对称先验嵌入跨模态编码，并结合 epoch 内特征与跨 epoch 时序建模；作者报告的优势仍需结合全文中的划分协议、对照设置和消融验证。

12月31日周二
  1. OpenReview · EEG57

    使用掩码自编码器从多导睡眠监测期间的 EEG 重建多种信号

    基于摘要分析。该研究针对多导睡眠监测（PSG）依赖复杂设备及专业操作、难以开展便捷长期监测的问题，提出利用掩码自编码器，从单通道 EEG 重建多种 PSG 信号。其主要贡献是探索减少采集通道的睡眠监测方案，而非直接提出 BCI 控制或解码方法。 PSG 通常采集 EEG、EOG、EMG 及心肺相关指标，以反映睡眠结构。该方法以单通道 EEG 为输入，借助掩码自编码器进行多信号重建；但摘要未明确实际重建的信号种类、输入 EEG 通道、掩码策略，以及训练与推理时各类信号的可用性。这些信息决定模型是否真正能够在仅采集 EEG 的条件下完成目标任务，需通过全文核对。 作者报告，模型在 Sleep-EDF-20 数据集上训练和评估，以均方误差衡量原始信号与重建信号的相似性，并表现出多信号重建能力。摘要未给出具体误差数值、对照基线或被试内、跨被试、跨会话划分，因此尚不能判断其泛化表现或与其他方案的相对优势。实验协议、消融及统计信息尚未验证。 作者认为该方案有望支持更便捷的长期睡眠监测。需要区分波形重建与临床有效性：均方误差评估本身不足以确认重建信号是否保留睡眠分期及异常事件识别所需的信息，也不足以证明可以替代完整 PSG。复现前需核对信号同步、采样率与归一化、目标信号定义、数据划分、模型配置及代码可用性；这些条件均未在摘要中明确。

10月27日周五
  1. OpenReview · EEG70

    使用潜在扩散模型生成合成睡眠 EEG 信号

    基于摘要分析。本研究针对 EEG 数据可用性不足及医疗数据共享受隐私限制的问题，探索结合 spectral loss 的潜在扩散模型，生成睡眠阶段的 30 秒合成 EEG 片段。其核心贡献是将频谱约束引入生成过程，以保持 EEG 特定频带中的结构化振荡。 机制方面，作者强调 spectral loss 对生成符合 EEG 特征的振荡结构至关重要。不过，摘要未提供潜在表示的编码方式、扩散模型结构、频谱损失的具体形式与权重，也未说明睡眠阶段是否作为生成条件；这些实现细节尚未验证。 数据与评估方面，作者使用 Sleep EDFx 和 SHHS 两个大型睡眠数据集训练模型，以 Multi-Scale Structural Similarity Metric、Frechet inception distance 及频谱图分析评估合成信号质量。作者报告，在上述生成质量评估下，模型能够产生具有适当神经振荡特征的逼真信号；摘要未给出指标数值、数据划分、被试内或跨被试协议、对照基线及统计结果，实验协议、消融及统计信息尚未验证。 证据边界方面，作者提出该方法可能缓解 EEG 数据稀缺，但摘要所述信号质量评估不能直接证明合成数据能提升睡眠分期或其他下游任务，也不能据此认定其具备隐私保护能力。复现时需核对预处理、通道配置、潜在编码与训练设置，并验证频谱约束的独立贡献、合成数据的下游效用，以及模型是否记忆训练样本；代码与模型权重的公开情况尚未验证。

    阅读价值：值得关注其以 spectral loss 约束潜在扩散模型生成睡眠 EEG 频带振荡的机制，但合成数据能否改善下游任务及保障隐私尚未验证。