跳到正文
只看一手#Sleep-EDF
10月5日周一
  1. OpenReview · EEG78

    从置信度到解释：评估 EEG 基础模型在分布偏移下的可靠性

    基于摘要分析。本研究关注 EEG 基础模型在分布偏移下能否可靠识别自身的错误预测，而不只是保持下游预测性能。作者以 LaBraM 和 CBraMod 的五分类睡眠分期为研究对象，比较四类错误预测信号，揭示预测能力迁移与可靠性信号迁移需要分别验证。 评估以 Sleep-EDF Expanded 为源域，在 ISRUC-Sleep-II、ISRUC-Sleep-III 和 UCDDB 上开展零样本外部评估。四类信号分别为校准置信度、时间一致性、表征熟悉度和解释漂移。错误检测器在源域验证数据上训练，随后保持不变，在留出的源域测试集及外部队列上评估；这一设置直接检验源域学习到的错误识别规则能否迁移，而非在目标队列重新拟合。 作者报告，置信度对错误检测构成较强基线：在源域测试集上，LaBraM 和 CBraMod 的错误检测 AUROC 分别为 0.7411 和 0.7551，并在外部队列中仍具有信息价值。这些数值衡量错误检测能力，不是睡眠分期 Accuracy。作者报告，加入时间一致性后，两模型在源域的 AUROC 分别增加 0.0296 和 0.0299，且增益具有统计显著性，但该优势在任何外部队列上均未达到显著。表征熟悉度在分布偏移下表现不一致：在若干 ISRUC 队列评估中出现显著负贡献，而对 UCDDB 上的 CBraMod 出现显著正贡献。事后解释漂移未在上述较简单信号之外提供有统计支持的改进。 核心启示是：错误预测信号本身也依赖数据分布，源域中有效的辅助指标在外部队列上可能失去增益，甚至改变贡献方向；这不等于基础模型的睡眠分期性能必然失效。摘要未给出外部队列的具体预测成绩、信号计算方式、置信度校准方法、错误检测器结构、被试划分及统计检验细节，实验协议、消融及统计信息尚未验证。复现时应重点核对上述细节，并分别报告分期性能与错误检测 AUROC，避免把两类迁移能力混为一谈。

    阅读价值：值得阅读的具体原因是该研究将睡眠分期的预测迁移与错误检测信号的迁移分开评估，作者报告源域有效的辅助信号在外部队列中未必保持增益，为核查 EEG 基础模型的可靠性评估提供了可复现的问题与对照。

10月3日周六
  1. arXiv · EEG 与神经表征76

    COVER：学习在选择性睡眠分期中接受更多预测

    基于摘要分析。该研究针对 EEG 睡眠分期级联中的第一阶段：在给定接受风险目标下，让固定主分类器尽可能多地接受自身预测，将其余片段交给更强模型。作者提出 COVER（COVerage-oriented Error Ranking），通过辅助信息驱动的主分类器错误学习与固定尺度评分器细化，提高可接受预测的覆盖率，而不改变主分类器的预测标签。 核心机制包含两步：首先，用学习得到的错误评分替代最大 softmax 概率（MSP），以识别主分类器更可靠的预测；随后，在经验接受风险约束下直接优化覆盖率，而非仅优化所有 EEG 片段上的错误预测准确性。摘要未说明辅助信息的具体来源、评分器结构、损失形式及固定尺度细化的实现，这些细节尚未验证。 作者在 Sleep-EDF-20 上以 5% 接受风险为目标进行评估，被试从所有拟合与选择流程中留出。作者报告，在相近的被试等权风险下，辅助信息驱动的错误学习将平均被试覆盖率从 MSP 的 31.5% 提升至 48.8%。在每名被试接受片段数相同、合计接受 20,639 个片段的比较中，MSP 与学习评分器的错误数分别为 1,467 和 867。作者还报告，固定尺度细化在嵌套开发评估中相对初始化增加了 1.7 个百分点的覆盖率；最终 COVER 在八种评分器中取得最高平均覆盖率，为 50.4%，对应被试等权风险为 4.5%，比较方法 SELE 与 DuoF 的覆盖率分别为 49.3% 和 43.6%。摘要未给出后二者各自的风险值，不能据此认定它们处于完全相同的风险水平。 阅读与复现时应重点核对辅助信息如何参与训练、风险阈值与评分器的选择流程、嵌套开发协议、被试间风险差异及统计不确定性。该工作评估的是级联入口的选择机制，覆盖率收益不等同于完整级联的计算节省或最终睡眠分期性能提升；完整级联表现、实验协议细节、消融及统计信息尚未验证。

    阅读价值：值得阅读的是其在不改变主分类器预测标签的前提下，将错误排序与接受风险约束下的覆盖率优化结合；作者报告了留出被试上的覆盖率收益，但完整级联的计算节省尚未验证。

9月18日周五
  1. OpenReview · EEG76

    COVER：学习在选择性睡眠分期中接受更多预测

    基于摘要分析。该研究面向 EEG 睡眠分期级联的第一阶段：保持主分类器的预测标签不变，在预设的接受风险目标下，尽可能提高可直接接受的预测覆盖率。作者提出 COVER（COVerage-oriented Error Ranking），以学习得到的错误评分替代最大 softmax 概率（MSP），并进一步针对覆盖率优化评分器，而非仅追求所有 EEG epoch 上的错误预测准确性。 方法包含两个环节：辅助信息引导的主分类器错误学习，以及固定尺度评分器细化。前者学习主分类器发生错误的评分，但不改变其输出标签；后者在经验接受风险约束下直接最大化覆盖率。摘要未说明辅助信息的具体来源、评分器结构、损失形式和固定尺度的实现方式，尚需全文核对。 作者在 Sleep-EDF-20 上以 5% 接受风险为目标评估，测试被试不参与任何拟合与选择。作者报告，在相近的被试等权风险下，辅助信息引导的错误学习将平均被试覆盖率从 MSP 的 31.5% 提升至 48.8%。在逐被试接受数量相同、合计接受 20,639 个 epoch 的对照中，错误数由 MSP 的 1,467 降至学习评分器的 867。作者另报告，固定尺度细化在嵌套开发评估中较初始化增加 1.7 个百分点覆盖率。 在八种评分器的比较中，作者报告 COVER 获得最高平均覆盖率：被试等权风险为 4.5% 时，覆盖率为 50.4%；SELE 与概率融合对照 DuoF 的覆盖率分别为 49.3% 和 43.6%。摘要未给出这两个对照对应的风险值，不宜将覆盖率差异直接解释为完全相同风险下的优势。 该工作直接研究 EEG 睡眠分期中的可靠性筛选，不等同于通用 BCI 解码验证。摘要呈现的是级联入口的接受与转交策略，而非完整级联的端到端性能或实测计算收益。复现需核对接受风险的定义与被试等权汇总方式、阈值选择、嵌套开发划分、辅助信息可用性及后级模型配置；详细实验协议、消融及统计信息尚未验证。

    阅读价值：值得核对其在固定主分类器预测与接受风险约束下提升覆盖率的机制，以及被试隔离的评分器拟合和选择协议；摘要支持选择性睡眠分期的价值，但尚不能据此确认完整级联的计算节省。

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。

1月1日周四
  1. OpenReview · EEG75

    SSF-SET：基于离散 EEG token 的睡眠阶段预测框架

    基于摘要分析。该研究针对传统睡眠分期只能识别已发生阶段的问题，提出 SSF-SET，利用当前睡眠过程中较早的 EEG 预测未来睡眠阶段序列。主要贡献是将连续睡眠 EEG 表征量化为离散 token，再通过自回归模型学习阶段演化，而非仅对既往片段进行分类。 机制上，睡眠 EEG tokenizer（SET）结合用于 epoch 级表征的多分支 transformer、基于 LSTM 的序列编码器—解码器及量化模块。作者认为，量化形成的信息瓶颈能够揭示潜在转移结构并抑制伪迹。睡眠阶段预测器（SSF）采用 decoder-only transformer，先以因果注意力进行下一 token 预测预训练，再通过强化学习微调，奖励包含序列级 macro-F1 与 token 一致性；据摘要，推理时不访问未来 EEG。具体量化方式、token 到睡眠阶段的映射、奖励计算与训练数据组织尚未验证。 作者报告，在 SleepEDF20 与 SleepEDF78 上采用按被试划分的交叉验证，SSF-SET 均优于直接预测及基于已预测睡眠阶段进行预测的对照方法。在该协议下，SleepEDF20 的 Accuracy 为 0.596、macro-F1 为 0.516；SleepEDF78 的 Accuracy 为 0.611、macro-F1 为 0.537。摘要未给出对照分数，不能据此量化提升幅度；输入历史长度、未来预测时域、交叉验证折数、消融及统计信息尚未验证。 复现应重点核对 SET 与 SSF 的训练划分、量化模块相对连续表征的贡献，以及不同预测距离下的性能。这些是待核对事项，并不构成对实验缺陷的判断。作者将该框架定位为提前干预睡眠阶段变化的潜在组件，但摘要未提供闭环干预或睡眠质量改善的验证，预测性能不能直接视为个性化睡眠管理的临床获益。

    阅读价值：值得关注其将离散 EEG token 与自回归预测结合、从既往 EEG 预测未来睡眠阶段的机制，但预测时域、量化贡献及闭环干预价值仍需全文与实验核验。

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。

1月1日周一
  1. OpenReview · EEG64

    用于睡眠监测与干预的可穿戴香薰反馈系统：采用单通道 EEG 与轻量模型

    基于摘要分析。该研究针对香薰辅助睡眠缺乏客观监测与控制手段的问题，提出可穿戴、便携式睡眠监测与香薰反馈系统：利用前额叶单通道 EEG 检测睡眠状态，并依据检测结果提供香薰反馈。主要贡献是将 EEG 传感器、轻量睡眠分类模型与反馈装置整合，面向板载运行。 方法上，模型结合 convolutional neural networks（CNN）与 long short-term memory（LSTM）networks。摘要明确其用于板载执行与分类，但未提供具体网络结构、参数量、信号预处理、输入窗口、训练损失或设备资源占用，相关细节尚未验证。反馈依据睡眠状态触发，但香薰类型、释放剂量、控制规则与响应时延也尚未验证。 作者报告，模型在公开 Sleep-EDF 数据集上训练，分类 Accuracy 为 85.1%，macro-F1 为 79.5%。摘要未说明这些结果对应的数据划分、被试内或跨被试协议、分类类别及对照基线，因此不能据此判断跨被试泛化能力，也不能直接与不同评估协议的结果比较。实验协议、消融及统计信息尚未验证；公开数据中的输入通道与自研前额叶传感器之间的适配情况亦需核对。 该工作首先是 EEG 睡眠监测与香薰反馈系统研究，而非已验证的睡眠治疗方案。摘要将改善睡眠质量作为目标，但未提供可穿戴实测表现或香薰干预效果的具体结果。阅读全文时应区分离线分类性能、实际设备运行可靠性与睡眠干预收益，并核对在线评估、反馈安全性及干预对照设计。复现所需的代码、传感器规格和完整控制流程尚未验证。

  2. OpenReview · EEG71

    通过基于 Transformer 的扩散模型随机重组原始与生成数据以改进 EEG 分类

    基于摘要分析。本文针对 EEG 数据稀缺及生成式数据增强效果受限的问题，提出基于 Transformer 的去噪扩散概率模型，并通过在时域随机重组原始数据与生成数据构造邻域样本，以改善 EEG 分类。主要贡献包含面向 EEG 的生成模型设计和生成数据的增强使用方式，而不只是扩充训练样本数量。 在生成端，作者提出常数因子缩放预处理，并称其有助于减少信号信息损失；模型引入 Multi-Scale Convolution 和 Dynamic Fourier Spectrum Information 模块，旨在提高训练稳定性与生成数据质量。摘要未提供缩放规则、模块结构、扩散过程配置或生成质量评估指标，相关机制及效果尚需全文核对。 在分类端，增强方法将生成数据与原始数据在时域随机重组，得到邻域数据，并通过最小化经验风险与邻域风险提升分类性能。重组的时间粒度、标签分配、生成样本比例，以及两类风险的具体目标形式尚未验证；这些细节关系到重组后样本能否保留任务相关时序特征及标签语义。 作者报告在四个 EEG 数据集、对应四项任务上观察到 Accuracy 改进：Bonn 为 14.00%，SleepEDF-20 为 6.38%，FACED 为 9.42%，Shu 为 2.5%。摘要未明确这些数值是相对百分比提升还是百分点增益，也未说明对照基线、数据划分及被试内、跨被试或跨会话协议，因此不能直接比较各数据集的收益大小，亦不能据此确认统计显著性。 复现时需核对生成模型与分类器所用的数据划分、随机重组规则、分类基线，以及各模块和增强步骤的独立贡献。实验协议、消融及统计信息尚未验证。作者表示将公开代码，但所给材料未确认代码已发布。

    阅读价值：值得核对其时域随机重组增强是否比单纯添加生成样本更有效，以及生成数据质量与分类收益之间的关系；摘要报告了四个 EEG 数据集上的改进，但评估协议与统计信息尚未验证。

  3. OpenReview · EEG64

    用于睡眠监测与干预的可穿戴芳香疗法反馈系统：采用单通道 EEG 与轻量模型

    基于摘要分析。本研究针对芳香疗法辅助睡眠缺乏客观监测与控制方法的问题，提出可穿戴、便携式睡眠监测与芳香疗法反馈系统。系统使用前额叶单通道 EEG 检测睡眠状态，并据此提供芳香疗法反馈；主要贡献是将 EEG 传感器、轻量睡眠分类模型与反馈干预整合，而非已验证的睡眠改善疗效。 技术机制方面，模型结合卷积神经网络（CNN）与长短期记忆网络（LSTM），以支持板端执行和分类。摘要未给出网络结构、参数量、输入窗口、预处理、损失函数及训练细节；睡眠状态如何映射为芳香疗法输出，以及反馈时序和控制规则，也尚未验证。 数据与结果方面，作者报告模型在公开 Sleep-EDF 数据集上训练，分类 Accuracy 为 85.1%，macro-F1 为 79.5%。摘要未说明对应的测试划分、睡眠分类类别、被试数量及是否采用被试内或跨被试评估，因此这些数值只能作为作者报告的结果，不能直接与其他协议下的睡眠分类性能比较。Sleep-EDF 中具体使用的 EEG 导联及其与自研前额叶传感器的对应关系亦需核对。 验证重点是公开数据上的分类能力能否延续到实际可穿戴采集，以及板端运行的延迟、内存和功耗是否满足反馈需求。摘要未提供芳香疗法改善睡眠质量的对照试验结果，不能据此推导临床有效性。复现需取得数据划分、预处理与模型配置，并核对传感器规格和反馈控制方案；实验协议、消融及统计信息尚未验证。

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。

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。

  4. OpenReview · EEG64

    基于传导式原型优化网络的少样本 EEG 睡眠分期

    基于摘要分析。研究针对人工 EEG 睡眠分期耗时、少样本条件下分类原型估计不足的问题，提出 transductive prototype optimization network（TPON），通过元学习与传导式原型优化改善睡眠阶段分类。其主要研究对象是 EEG 睡眠分期，而非直接验证 BCI 控制任务。 核心机制：TPON 在元训练阶段学习已有类别的原型，并利用“学会学习”的方式适应仅有少量示例的新类别。原型优化结合有标签支持集与未标注高置信度样本，旨在使类别原型更贴近实际特征分布、改善样本与原型的匹配。摘要未说明特征提取器、置信度筛选标准、原型更新公式及损失形式，这些实现细节尚未验证。 结果与协议：作者报告，在公开 SleepEDF-2013 数据集上，TPON 的整体表现优于多数先进算法；作者还报告跨通道识别的可行性，并据此认为不同通道间存在相似的睡眠 EEG 特征。摘要未提供 Accuracy 等具体指标、对照方法名称、少样本任务配置或数据划分，因而不能量化其优势，也不能据此判断被试内、跨被试或跨会话泛化能力。 复现核对重点：需确认元训练与评估阶段的类别定义及划分方式，尤其是“新类别”在睡眠分期任务中的具体含义；还需核对未标注样本的来源和推理时可访问范围、高置信度筛选与原型更新步骤，以及跨通道实验的训练和测试通道配置。实验协议、消融及统计信息尚未验证，跨通道可行性也不等同于已验证的跨被试或跨数据集泛化。

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
  2. 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。

1月1日周四