高斯变换增强的睡眠分期半监督学习

基于摘要分析。研究面向睡眠分期中数据不足、人工标注与分析成本较高的问题，提出 cluster-then-label 半监督学习策略，将聚类纳入监督学习流程，并通过 Gaussian transformations 改善 EEG 频带功率特征的分布，以辅助分类。 方法在两类架构上进行验证：一类结合深度学习分类与 k-means 聚类，另一类采用相对简单的 Gaussian-based architecture。针对后者，作者提出 assembled-fixed transformation 和 neural network based transformation，目标是提高特征正态性，进而改善半监督学习的鲁棒性与准确性。摘要未说明聚类结果如何参与标签分配、标注与未标注数据如何组织，以及变换的具体形式、训练目标和推理流程，这些细节尚需正文核对。 作者报告，在整夜 EEG 数据实验中，该学习策略相较于摘要所称的 state-of-the-art baseline，提高了分布外人类被试上的 Accuracy 和 F1；作者还报告，两种 Gaussian transformations 能显著提高 EEG 频带功率特征的正态性，并促进半监督学习。摘要未提供数据集名称、被试数量、睡眠阶段定义、划分方式、基线名称、具体分数或显著性检验，不能据此量化收益，也不能确定分布外设置的完整跨被试协议。实验协议、消融及统计信息尚未验证。 阅读与复现的重点是核对特征正态性改善与分类收益之间的关系、两类架构各自的贡献，以及变换拟合和聚类过程中训练数据与测试数据的使用边界。研究的直接对象是 EEG 睡眠分期，并非交互式 BCI；作者关于促进睡眠障碍诊断的表述仍不能替代临床验证。复现所需的数据处理、频带功率提取、标注比例、超参数与实现可用性，均需进一步确认。