SleepNetZero：基于心冲击图与神经网络的零负担、零样本可靠睡眠分期

基于摘要分析。SleepNetZero 研究如何在 BCG 睡眠数据有限的情况下实现低负担睡眠分期，核心思路是提取 BCG 中的呼吸、心脏活动和运动成分，与 PSG 中对应通道对齐，从而利用人群更丰富的大规模 PSG 数据训练神经网络，再迁移至 BCG 监测。其主要研究对象是居家睡眠监测，而非 EEG 解码或 BCI 控制。 机制上，作者通过生理成分对齐缓解训练数据不足，并使用数据增强提高从其他数据来源迁移至 BCG 时的鲁棒性。摘要将该方法称为零样本学习，但未明确零样本所指的目标数据、训练与测试隔离方式，以及是否使用目标域数据进行校准；这些条件尚未验证。具体特征提取算法、网络结构、损失函数与增强方式也需查阅全文。 作者报告，在涉及 9637 名不同被试、12393 条记录的大规模数据训练与测试中，Accuracy 为 0.803，Cohen's Kappa 为 0.718；摘要未提供数据集名称、划分方式及被试内或跨被试评估协议。作者另报告，将系统部署于监测垫原型并在医院场景对 265 名用户测试，Accuracy 为 0.697，Cohen's Kappa 为 0.589。两组结果的采集条件与评估协议未充分说明，不宜直接将差异解释为迁移造成的性能下降。摘要在部署段使用了 ZeroSleepNet，与标题中的 SleepNetZero 命名不一致，需核对。 阅读与复现的重点是核对 PSG 到 BCG 的通道对齐流程、分期标签与参考标准、数据划分、人群覆盖、增强策略及医院测试条件。实验协议、消融及统计信息尚未验证。作者声称这是其所知首个可靠的 BCG 睡眠分期工作，该优先性判断尚未独立核实；现有摘要也不能支持将结果扩展为已验证的 EEG 或 BCI 效果。