CCAM：面向泛在场景睡眠分期的跨通道关联挖掘

基于摘要分析。研究针对单通道可穿戴 EEG 睡眠分期信息不足的问题，提出跨通道关联挖掘方法 CCAM：利用训练期同步采集的目标 EEG 与多通道 PSG 学习通道间关联，在推理期仅从目标 EEG 提取关联特征，以增强居家等泛在场景下的睡眠分期。 机制上，CCAM 在常规特征提取之外，建立目标 EEG 与辅助 PSG 通道之间的成对关联特征挖掘模型，将辅助通道信息迁移至目标 EEG 的表征；推理时结合这些关联模型提取的特征，通过定向多视图信息融合完成分期。其关键研究问题是：训练期可获得的多通道信息，能否转化为单通道输入时仍有效的判别表征。摘要未披露关联模型的具体结构、损失形式及融合实现。 作者报告，在 ISRUC-S1、ISRUC-S3 和 Sleep Heart Health Study 三个公开睡眠分期数据集上，CCAM 优于所比较的先进方法，但摘要未给出具体指标、数值、基线及被试内或跨被试划分，不能据此量化收益或判断跨场景泛化能力。 复现需核对训练期目标 EEG 与辅助 PSG 的同步配对方式、所用通道、预处理与睡眠分期标签协议，以及推理期是否完全不依赖辅助通道。实验协议、消融及统计信息尚未验证；尤其需要通过正文确认关联挖掘与定向多视图融合各自的贡献。该工作直接研究 EEG 睡眠分期，摘要结果不应外推为交互式 BCI 任务中的有效性。