自动检测失眠的两阶段方法

该研究针对整夜 EEG 的自动失眠检测，提出两阶段方法：先预测睡眠分期与片段级失眠状态，再将预测结果汇总为被试级特征，区分无睡眠主诉的对照与失眠被试。基于摘要分析，未取得论文全文；研究对象是 EEG 辅助失眠识别，而非 BCI 控制任务。 第一阶段训练两个基于深度神经网络（DNN）的模型，分别进行睡眠分期和 epoch 级失眠检测，输入均为从两个 EEG 通道提取的时域与频域特征。摘要未提供具体特征定义、通道位置、epoch 长度或网络结构，这些实现细节尚未验证。 第二阶段构建两组被试级特征：第一组来自睡眠分期模型，包括睡眠阶段比例、阶段配对比例（stage pair ratios）及阶段转换比例；第二组来自片段级失眠检测模型，包括各睡眠阶段中被判为失眠的 epoch 比例及其平均后验概率。最终使用二分类器进行被试级判别。作者比较了五种分类器：线性判别分析（LDA）、分类与回归树（CART），以及分别采用线性、Gaussian 和 sigmoid 核的支持向量机（SVM）。其方法特点在于同时利用睡眠结构统计与片段级失眠预测，而不是仅依赖单个片段作最终判断。 作者报告，在包含 115 名参与者、其中 61 名对照和 54 名失眠被试的数据上，系统取得 F1 为 0.88、敏感度为 84%、特异度为 91%。摘要未说明这些结果对应哪种最终分类器，也未给出训练测试划分、交叉验证方式及独立测试条件，因此不能将其解释为已验证的跨被试泛化或临床诊断性能。 复现时需核对两阶段模型的训练与评估流程、被试级数据划分、特征计算定义及最终分类器选择。实验协议、消融及统计信息尚未验证；尤其需要确认睡眠结构特征与片段级失眠特征各自的贡献，以及性能估计的不确定性。摘要结果不构成临床实践建议。