MSleepNet：用于同步睡眠觉醒检测与睡眠分期的基于半监督学习的多视图混合神经网络

基于摘要分析。该研究针对睡眠监测中同时识别睡眠觉醒与睡眠阶段的需求，提出 MSleepNet，将单通道 EEG 的时域、频域特征与半监督多任务学习结合，以联合完成睡眠觉醒检测和睡眠分期。其主要研究对象是 EEG 睡眠分析，而非直接验证 BCI 控制性能。 机制上，MSleepNet 使用改进的残差骨干网络提取时域和频域特征，并在频域引入注意力机制以增强特征识别能力。多任务分类损失用于同步考虑睡眠觉醒与睡眠阶段之间的关联；每项任务结合监督损失和半监督损失，作者将其作用解释为缓解数据不平衡并提高分类准确率。摘要未给出具体损失公式、未标注数据的利用方式、时频表示构造及任务间特征共享细节，这些均尚未验证。 作者使用来自两个公开数据集及一个本地临床数据集的整夜多导睡眠记录进行验证：sleep heart health study（SHHS，n=200）、Physio2018（n=100）和本地临床数据集（n=60）。作者报告，在 Physio2018 上，睡眠分期的总体 Accuracy 为 0.78、F1 为 0.73；睡眠觉醒检测的 AUPRC 为 0.39、AUROC 为 0.75。摘要未说明 n 的具体统计单位，也未说明数据划分属于被试内还是跨被试协议，因此这些数值不能据此解释为跨被试泛化结果。 作者认为该框架具有在有限标注数据下同步测量睡眠觉醒与睡眠阶段的潜力，但摘要未量化标注比例，也未提供相对单任务、单视图或纯监督基线的增益。复现时需核对 EEG 通道选择、预处理、时间窗与标签对齐、未标注数据来源及使用边界，并确认类别不平衡处理和各模块消融。实验协议、消融及统计信息尚未验证；现有摘要不足以确定联合学习与半监督学习各自的贡献。