缓解自动睡眠分期中的类别不平衡问题

基于摘要分析。该研究针对自动睡眠分期中各阶段样本数量不均、深度学习模型偏向多数类的问题，提出类别不平衡因子（CIF）及两种平衡方法，并以单通道 EEG 的 CNN 与 Bi-LSTM 模型在三个 PSG 数据集上评估。 方法方面，CIF 用于量化类别不平衡程度，但摘要未给出计算定义。第一种方法从样本数量入手，使用生成对抗网络（GAN）和不同强度的高斯白噪声（GWN）进行数据增强。作者称，GWN 添加方式面向直接处理原始 EEG 的深度学习模型设计，并可保留信号性质；具体噪声强度、样本生成流程及信号保真验证尚未验证。第二种方法利用类别分布与神经科学原则，平衡不均衡类别与偏置模型之间的关系；摘要未说明其具体实现，不能据此确定是否采用损失加权、采样调整或其他机制。 评估使用 CCSHS、Sleep-EDF 和 Sleep-EDF-V1 三个类别不平衡的 PSG 数据集，基线为结合 Bi-LSTM 的深度 CNN，输入为单通道 EEG。作者报告，在这些数据集的实验中，两种方法通过混淆矩阵与逐类别指标体现出类别平衡收益，并相较所比较的先进方法取得更好的 N1 阶段及整体睡眠分期 Accuracy；摘要未提供数值、具体对照方法或被试内、跨被试等划分协议，因此尚不能判断收益幅度与泛化范围。 复现时需核对 CIF 定义、两种平衡方法的独立与联合效果、增强操作在训练与评估流程中的使用范围，以及 N1 改善是否伴随其他阶段表现变化。实验协议、消融及统计信息尚未验证。该工作直接研究 EEG 睡眠分期，但其结果不等同于已验证的 BCI 任务效果。