揭示多模态儿童睡眠嵌入中的轨迹与拓扑特征

该研究关注多模态儿童睡眠嵌入中尚不明确的潜在结构，考察由多模态掩码自编码器生成的连续 30 秒多导睡眠监测（PSG）片段嵌入，能否通过轨迹、拓扑及电子健康记录（EHR）特征补充整次记录层面的诊断信息。基于摘要分析，未取得论文全文。 方法在原始嵌入之外加入三类信息：PHATE 导出的逐片段坐标与整夜运动描述量、嵌入点云的持久同调摘要，以及 EHR。这里的“运动”描述的是嵌入轨迹变化，不应直接理解为身体运动。作者采用线性模型与多层感知机（MLP），明确以可解释性而非最先进性能为选择依据，并考察更具表达能力的后期融合模型。摘要未说明掩码自编码器的训练细节、PSG 模态组成、持久同调计算设置或融合结构。 作者报告，在四项二分类预测中，后期融合模型通常表现更好：血氧下降的 AUPRC 从 0.26 提高至 0.34，EEG 觉醒从 0.31 提高至 0.48，低通气从 0.09 提高至 0.22，呼吸暂停从 0.05 提高至 0.14。这些比较对应摘要中的模型评估，但具体起点模型、被试内或跨被试协议、数据划分与类别比例尚未验证，不能据此进行跨研究比较。作者还报告 Brier score 和 Expected Calibration Error，完整融合模型在四项任务中均获得最佳校准；摘要未提供对应数值。 作者认为几何、拓扑和临床特征具有互补性，且特征重要性依任务而异，并报告其有助于极端类别不平衡下的校准与稳健性。复现时需核对被试与夜间记录的划分方式、特征构建及拟合范围、EHR 可用时点、各模块的独立消融和统计不确定性；这些实验协议、消融及统计信息尚未验证。研究对象是儿童睡眠诊断相关预测，而非 BCI 解码，不能将其结果直接视为 BCI 有效性的证据。