MAF-SleepNet：用于基于多导睡眠监测的自动多类别睡眠障碍分类的多模态注意力增强融合网络

基于摘要分析。该研究面向多导睡眠监测（PSG）的多类别睡眠障碍分类，提出 MAF-SleepNet，联合利用 EEG、EOG 和腿部 EMG，而非仅针对单一睡眠障碍建模。研究目标是依据 International Classification of Sleep Disorders 区分多种睡眠障碍与健康状态，不是睡眠分期或 BCI 控制任务。 方法通过模态专属特征提取和自适应注意力机制，捕捉模态内及模态间依赖。摘要将既有研究中单病种、数据规模有限及 epoch 级标签难以反映睡眠病理发作特征列为动机，但本研究的具体标签粒度、记录级预测汇聚方式、网络结构和训练损失尚未验证。 作者报告，在三个公共数据库合并形成的 141 条记录上，模型覆盖五种需要 PSG 检查的睡眠障碍及一个健康类别。在严格的被试独立交叉验证下，Accuracy 为 86.07 ± 3.66%，macro-F1 为 82.67 ± 4.46%；在被试依赖交叉验证下，Accuracy 为 98.96 ± 0.66%，macro-F1 为 98.93 ± 0.60%。两组结果对应不同划分协议，不能互换，也不能将后者视为对新被试的泛化表现；“±”所表示的统计量在摘要中未说明。 作者据此认为自适应多模态融合有助于获得更可靠且具临床意义的分类，但摘要不足以核对其相对既有方法的优势。数据库名称、独立被试数、类别分布、交叉验证折数、预处理、基线、消融及统计信息尚未验证；合并多个数据库也不等于完成跨数据集外部验证。作者将加入呼吸及自主神经模态、在更大多中心队列上验证列为后续方向，目前不宜据此推断已具备临床部署能力。