Wafformer：通过波形—频率交叉预测与对齐学习知识增强的睡眠表征

基于摘要分析。该研究面向 EEG 睡眠分期中标注数据有限、临床与人工睡眠知识难以融入模型的问题，提出自监督框架 Wafformer，通过波形—频率交叉预测及特征对齐学习知识增强的睡眠表征。 机制上，Wafformer 基于 Transformer，使用自注意力与交叉注意力编码器提取波形和频率特征。其预训练任务包括跨域波峰预测与频率能量预测，旨在融入与睡眠状态相关的显著波形知识；同时利用时序对比学习对齐波形—频率特征。摘要未说明波峰目标的构造方式、频域表示、具体损失形式及预训练与下游训练流程，这些实现细节尚未验证。 作者报告，在 ISRUC、SleepEDF-SC 和 SleepEDF-ST 数据集的睡眠分期实验中，Wafformer 表现优于所比较方法，并能自适应捕捉与睡眠阶段相关的动态波形。摘要未提供具体指标、数值、对照方法，以及被试内或跨被试等评估协议，因此不能量化优势，也不能据此确认其跨被试泛化或少标注收益。 复现时需核对 EEG 通道与预处理、睡眠阶段标签设置、数据划分、预训练数据范围，以及跨域预测和时序对比学习各自的贡献；实验协议、消融及统计信息尚未验证。该工作的直接研究对象是 EEG 睡眠分期，摘要不支持将其结论扩展为其他 BCI 任务上的有效性证据。