通过可解释的分歧驱动主动学习实现标签高效的多模态微睡眠预测

基于摘要分析。本研究针对 EEG/EOG 多模态微睡眠事件预测中专家标注成本高的问题，评估主动学习能否在减少标注量的同时保持预测性能，并提出 Multimodal Disagreement Active Learning（MD-AL），将模态间分歧、决策边界不确定性与稀有事件优先采样结合，形成可解释的样本查询机制。 方法与机制：研究比较了四种基于样本池的主动学习策略。MD-AL 利用 EEG–EOG 分歧识别两种信号提供不同判断的样本，同时结合决策边界不确定性与稀有事件优先级选择待标注样本。其核心贡献是样本获取策略，而非摘要已明确的新预测网络。各项信号的计算方式、组合权重、预测器结构及训练流程尚未验证；作者将该机制描述为具有生理感知性与可解释性，但摘要未提供其生理解释的独立验证细节。 评估与结果：研究使用 Maintenance of Wakefulness Test（MWT）数据集，在严格 Leave-One-Subject-Out 跨被试验证下评估提前 1 s 和 2 s 的微睡眠预测。作者报告，主动学习仅使用 1–2% 的已标注样本即可达到全监督性能的约 95%；这是相对全监督性能的比例，并非 Accuracy 为 95%，摘要也未明确该结论对应的具体指标及各预测时距结果。作者报告 MD-AL 与已有主动学习方法表现相当，而非明确优于所有基线；消融分析显示，三类信号的组合比仅使用模态分歧提供更稳定的查询信号。 局限与复现核对：被试数量、事件定义、窗口构造、初始标注集、查询批次、标注比例分母、具体基线、评估指标及统计信息尚未验证。复现时应重点核对跨被试划分与主动学习样本池的关系，以及稀有事件优先级在查询阶段如何估计。该研究直接涉及 EEG/EOG 警觉状态预测，但摘要结果不能直接扩展为其他 EEG 任务或 BCI 场景中的有效性结论。