S4Sleep：阐明基于深度学习的睡眠分期分类模型设计空间

基于摘要分析。该研究针对多导睡眠监测记录的睡眠分期耗时、评分者间差异较大的问题，系统探索深度学习 encoder-predictor 架构中的关键设计选择。其主要贡献是识别适用于时间序列与频谱图输入的稳健架构，并将结构化状态空间模型纳入其中，同时提出经改进的架构搜索方法。 技术上，研究重点不是单纯提出一个分类器，而是考察编码器与预测器的架构设计空间，以及不同输入表示下的适用性。摘要明确指出结构化状态空间模型是这些架构的重要组件，但未说明其具体位置、状态更新形式、上下文长度、训练损失或搜索策略；这些细节尚未验证，不能据此推断具体网络结构。 作者报告，在 Sleep Heart Health Study 数据集上，所识别架构相较于当时最先进的方法取得统计显著的性能提升。摘要未提供具体指标、数值、对照方法、被试数量或数据划分，因此尚不能判断提升幅度，也不能确认其采用被试内、跨被试或其他评估协议。实验协议、消融及统计信息尚未验证。 作者预期，这些架构设计认识与架构搜索方法也适用于其他时间序列标注任务；这是作者提出的推广方向，并非已验证的跨任务结果。当前材料支持其作为睡眠分期模型设计研究的阅读价值，但不构成 BCI 有效性的证据。复现前需核对输入信号与预处理、数据划分、架构搜索预算、基线配置、统计检验及实现是否公开。