L-SeqSleepNet：用于自动睡眠分期的完整周期长序列建模

基于摘要分析。本文研究自动睡眠分期中长时依赖的利用问题，提出 L-SeqSleepNet，通过高效长序列建模纳入完整睡眠周期的信息。其主要研究对象是 EEG 自动睡眠分期，而非直接验证 BCI 控制或交互任务。 核心动机是人类睡眠具有约 90 分钟的周期，短时间上下文可能不足以表达完整周期内的阶段演变。作者认为，既有先进深度学习模型的序列建模方式难以高效覆盖这种长时依赖，因此提出新的长序列建模方法。摘要未说明具体网络结构、序列组织方式、损失函数、训练策略及推理上下文，不能据此判断其是否适用于实时或因果分期。 作者报告，在四个规模不同的数据库上，L-SeqSleepNet 在常规 Polysomnography（PSG）的头皮 EEG、耳内 EEG 与耳周 EEG（cEEGrid）三种采集设置下取得先进水平的睡眠分期表现，包括单 EEG 通道输入条件。摘要未提供数据库名称、具体指标、数值、被试内或跨被试划分及对照基线细节，因此这一表现目前只能保留为作者结论，不能进行定量比较。 作者报告，模型能够缓解主要类别 N2 的主导效应，降低其他睡眠阶段的错误；对于基线表现特别差的所有被试，模型表现均显著改善。这里的“显著”沿用作者表述，统计检验与改善幅度尚未验证。作者还报告，随序列长度增加，计算时间呈次线性增长，但计时范围、硬件、序列长度区间及内存需求尚未验证。 阅读与复现的重点是核对长序列机制如何保留周期信息、完整周期上下文的实际贡献，以及不同 EEG 设置与被试划分下的收益是否一致。实验协议、消融及统计信息尚未验证；复现所需的数据预处理、通道配置、代码和训练条件也需全文确认。