SleepDIFFormer：基于多变量差分 Transformer 的睡眠阶段分类

基于摘要分析。该研究针对 EEG 与 EOG 的非平稳性，以及不同临床配置下信号差异导致的睡眠分期泛化困难，提出多通道差分 Transformer 框架 SleepDIFFormer。其主要贡献是将异构 EEG-EOG 表征学习与跨域对齐结合，在多个源数据集上训练，并面向训练时未见的目标域进行睡眠阶段分类。 机制方面，框架采用 Multi-channel Differential Transformer Architecture（MDTA）处理原始 EEG 和 EOG 信号。作者提出通过差分注意力缓解空间与时间注意力中的噪声，并通过跨数据集特征分布对齐学习域不变表征。摘要未给出差分注意力的具体计算、对齐损失形式、通道异构处理方式及训练配置，这些实现细节尚未验证。 评估方面，作者报告在五个睡眠分期数据集的域泛化设置下，与现有方法比较取得了最先进性能，但摘要未提供数据集名称、被试规模、源域与目标域划分、对照方法及具体指标数值，因此尚不能量化收益或判断不同配置下的稳定性。作者还报告开展了消融研究，并通过差分注意力权重解释其与典型睡眠 EEG 模式的关联；这属于作者提供的解释性证据，不等同于已验证的生理因果关系。 复现时应优先核对未见目标域的定义、被试隔离方式、信号预处理与通道配置，以及差分注意力和分布对齐各自的增益。作者表示已公开源代码与 checkpoint，其完整性及可运行性尚未验证；实验协议、消融及统计信息仍需结合全文核对。研究的直接对象是 EEG-EOG 睡眠分期，摘要结果不能直接外推为其他 BCI 任务的有效性证据。