SleepXA：组合预训练神经与心脏基础模型以学习睡眠表征

基于摘要分析。SleepXA 研究如何利用睡眠期间同步采集的多模态生理信号，将独立预训练的 EEG 与 ECG 基础模型组合起来，而非从头训练多模态睡眠模型，目标是获得兼具共享信息与模态特异信息的可复用表征。 方法将预训练 EEG、ECG 编码器与处理其他 PSG 模态的轻量编码器结合，通过睡眠引导的对齐学习共享及模态特异表征。其核心研究点是以同步 PSG 作为既有生理基础模型之间的组合接口；摘要未说明对齐目标的具体形式、睡眠监督来源、编码器是否冻结及各模态的融合方式，这些实现条件尚未验证。 作者报告，在来自三个大型队列的 9,230 次整夜 PSG 记录上预训练后，SleepXA 在涵盖睡眠表征、临床与疾病预测、日间生理迁移的 27 项下游任务中，有 22 项位列所比较方法的前两名。这是任务排名结果，不等同于统一指标上的提升幅度；摘要未提供各任务指标、数据划分、被试重叠控制或具体基线。作者还报告，受控实验在不同传感器配置及 EEG–ECG 骨干选择下均显示收益，预训练初始化优于同架构从头训练，且优于其他多模态组合策略。 该工作的主要对象是睡眠与多模态生理表征，并非直接验证 BCI 控制或解码性能。复现时需核对预训练模型、队列组成、信号同步与预处理、缺失模态处理，以及日间迁移任务的训练和测试边界；代码与权重可用性、消融细节及统计信息尚未验证。