基于深度神经网络的新型流程：提升模型可解释性与睡眠分期性能

基于摘要分析。本文研究仅使用 EEG 的自动睡眠分期，提出依据睡眠医学指导构建的深度神经网络流程，通过时频图分块与注意力架构捕捉睡眠 EEG 的时频特征，并展示分期决策与提取特征之间的对应关系。 方法包含两部分：首先，将输入 EEG 时频图划分为时频块序列，以提取有信息量的特征；随后，利用基于注意力的架构，并行分析这些时频块与睡眠阶段判定因素之间的关联。摘要未提供具体网络结构、时频变换设置、分块尺寸、损失函数或训练策略，这些实现条件尚未验证。 作者报告，在 Sleep Heart Health Study 数据集上、仅使用 EEG 信号时，wake、N2、N3 的 F1 分别为 0.93、0.88、0.87，并声称这三个阶段取得新的最优结果；作者另报告评分者间一致性 Kappa 为 0.80。摘要未说明被试内或跨被试划分、样本规模、对照基线及一致性计算的具体比较对象，因此不能据此确认相对优势或跨被试泛化能力，也不能将上述分阶段 F1 视为整体分期表现。 作者通过可视化分期决策与所提取特征的对应关系，主张模型具有较强可解释性；这种对应关系是否稳定、是否符合睡眠生理特征，以及是否得到定量验证，仍需核对正文。该研究的直接对象是睡眠 EEG 自动分期，并非 BCI 控制任务。实验协议、消融及统计信息尚未验证。