EpiSpectraFormer：用于临床 EEG 睡眠分期的边界感知频谱–时间建模

基于摘要分析。该研究针对癫痫监测单元（EMU）常规视频 EEG 缺少 EOG、EMG 辅助信号的睡眠分期问题，提出 EpiSpectraFormer，以频谱–时间建模及相邻睡眠阶段边界约束实现临床 EEG-only 分类；其主要研究对象是睡眠分期，而非 BCI 控制任务。 模型将 38 个 EEG 导联转换为频谱图，使用 ImageNet 初始化的 EfficientNet-B0 编码器形成时间 token，经 Cascaded Dilated Conv Block 混合后，由单层 Transformer 聚合。训练采用带标签平滑的 focal 目标，并加入 N1–N2 小批次原型正则项，旨在处理类别不平衡及 N1、N2 相邻阶段的区分困难。频谱图参数、时间上下文长度、正则项具体形式及各模块独立贡献尚未验证。 作者报告，在 Clinical-SLEEP-16K 的患者级五折验证中，Accuracy 为 71.8%，Macro-F1 为 72.7%；在匹配的临床协议下，相比 CBraMod 高出 6.1 个百分点，但摘要该比较句未明确指标名称，需核对全文。在三种可部署临床输入配置的比较中，38 导联输入的 Macro-F1 比 19 导联单参考 10–20 配置高 5.8 个百分点，比与 PSG 对齐的六 EEG 输入高 12.5 个百分点。这些结果支持核对密集 EEG 输入的实际贡献，但尚不能据摘要将增益单独归因于导联数量或某一模块。 作者另报告，在 ISRUC-S3、ISRUC-S1 上使用六 EEG 加两 EOG 通道训练与评估，Accuracy 分别为 82.0% 和 80.6%。这些实验用于评估与常规 EEG+EOG 睡眠分期的兼容性，不应视为公开数据集上的 EEG-only 验证，也不能与 Clinical-SLEEP-16K 的临床结果直接比较。 复现需核对患者与记录规模、患者级划分实施方式、预处理与导联构造、类别分布、CBraMod 对照配置，以及公开数据集的划分协议。实验协议细节、消融及统计信息尚未验证；摘要未提供代码、数据获取条件或部署开销。