通过对比想象实现不完整多模态生理信号上的鲁棒睡眠分期

基于摘要分析。该研究针对自动睡眠分期中 EEG、EOG、EMG 等生理信号模态不完整，以及时序上下文难以充分利用的问题，提出 contrastive imagination modality sleep network（CIMSleepNet）。其核心贡献是结合模态表征恢复、对比校准与多层级时序注意力，在模态缺失时维持多模态睡眠分期能力；研究对象是睡眠分期，而非 BCI 控制任务。 机制上，modal awareness imagination module（MAIM）通过学习各模态的共享表征分布捕捉模态间交互，用于处理任意模态缺失。semantic & modal calibration contrastive learning（SMCCL）引入语义和模态先验，在检查语义一致性的同时保留各模态的独特性，并校准 MAIM 恢复的分布，使其与真实数据分布对齐。摘要未说明先验的具体构造、对比样本组织或损失形式，这些实现细节尚未验证。 时序建模采用多层级跨分支时序注意力，在 intra-epoch 和 inter-epoch 两个层级挖掘交互时序上下文；这里的 epoch 指睡眠分期信号片段，不是模型训练轮次。具体分支结构、上下文长度，以及推理时可用的上下文范围尚未验证。 作者报告，在五个多模态睡眠数据集、不同模态缺失模式下，CIMSleepNet 优于其他竞争方法。摘要未给出数据集名称、被试数量、被试内或跨被试划分、对照方法、具体指标及数值，因此尚不能判断提升幅度、统计可靠性或不同协议下的泛化能力。实验协议、消融及统计信息尚未验证。 作者提供了源码地址，为复现提供入口，但代码内容、数据处理流程及运行条件尚未核验。阅读全文时应重点核对缺失模式的生成方式、训练与测试阶段的模态可用性、完整模态条件下的表现，以及 MAIM、SMCCL 和时序注意力各自的贡献。现有摘要不支持将其睡眠分期结果直接推广为其他 EEG 或 BCI 任务的有效性证据。