睡眠专家知识启发的睡眠分期对比学习

基于摘要分析。该研究针对自动睡眠分期对大量标注多通道多导睡眠监测（PSG）记录的依赖，提出基于 EEG 的自监督学习框架 SleepECL。其核心贡献是结合局部与上下文表征开展对比学习，并利用睡眠专家知识识别语义一致的正样本，以改善预训练表征。 机制方面，SleepECL 同时关注 epoch 内 EEG 解码所需的局部表征，以及 epoch 间依赖所形成的上下文表征，通过对比语义一致与不一致的样本学习特征。摘要明确将专家知识用于发现更准确的正样本，但未说明知识的具体表达形式、正负样本构造规则、模型结构、损失函数及预训练与下游训练流程，这些内容尚未验证。 结果方面，作者报告在两个公开数据集上优于其比较的先进自监督方法，并报告预训练模型仅使用少量带标注的单通道 EEG 记录即可达到可接受的睡眠分期表现。摘要未提供数据集名称、被试数、标注用量、评价指标或具体分数，也未交代被试内、跨被试或跨会话划分，因此不能据此量化性能收益或判断泛化范围；实验协议、消融及统计信息尚未验证。 阅读与复现时，应重点核对专家知识的实现方式、局部与上下文对比目标各自的贡献，以及少标注条件下与基线的训练数据和评估协议是否一致。该工作的直接对象是 EEG 自动睡眠分期，摘要中的应用潜力不等同于已完成临床验证，也不能直接推及其他 BCI 任务。