通过对比想象实现不完整多模态生理信号下的鲁棒睡眠分期

基于摘要分析。本研究针对 EEG、EOG、EMG 等多模态生理信号缺失时自动睡眠分期性能受损，以及时序上下文难以充分利用的问题，提出 contrastive imagination modality sleep network（CIMSleepNet）。其主要贡献是联合建模缺失模态的表示分布、语义与模态一致性，以及睡眠片段内和片段间的时序交互。 核心机制包括 modal awareness imagination module（MAIM）与 semantic & modal calibration contrastive learning（SMCCL）。MAIM 通过学习所有模态的共享表示分布捕获模态间交互；SMCCL 引入语义与模态先验，在检查语义一致性的同时保留各模态的独特性，并校准 MAIM 恢复的分布，使其与真实数据分布对齐。摘要未给出具体先验来源、损失形式或分布恢复实现，尚不能判断其恢复的是何种粒度的表示，也不能将其等同于原始波形重建。 时序建模采用多层级跨分支时间注意力机制，分别挖掘 intra-epoch 与 inter-epoch 的交互上下文表示。这里的 epoch 指睡眠分期的信号片段，而非模型训练轮次；具体片段长度、上下文窗口及推理时可用的时间范围尚未验证。 作者报告，在五个多模态睡眠数据集、不同模态缺失模式下，CIMSleepNet 优于其他竞争方法。摘要未提供数据集名称、被试规模、被试内或跨被试划分、缺失模式及比例、基线名称、评价指标或具体数值，因此无法量化提升幅度或比较不同协议下的表现。实验协议、消融及统计信息尚未验证。 摘要提供了源代码地址，但代码内容、运行环境与结果可复现性尚未核验。阅读全文时应重点核对训练与测试的模态可用性、语义先验的来源、缺失模式覆盖范围，以及分布校准和时序注意力各自的贡献。本研究直接面向生理信号睡眠分期，现有材料不构成其对其他 BCI 任务有效的证据。