LightSleepX：用于睡眠分期的基于 Inception 的轻量级双模态网络

基于摘要分析。LightSleepX 面向资源受限环境中的自动睡眠分期，结合 EEG/EOG 双模态特征提取与长程时序建模，旨在兼顾分期性能、计算成本及本地部署需求；其主要研究对象是睡眠分期，而非 BCI 控制或域适应。 机制上，框架将 Inception 风格架构、深度可分离卷积与 Multi-scale Enhanced Attention 结合，用于高效提取多模态特征，再通过 Mamba encoder 建模长程时间依赖。摘要将这种时序建模描述为不依赖规则，但未说明具体规则含义、模态融合位置、训练目标与输入序列配置，这些细节尚未验证。 作者报告，在公开基准 Sleep-EDF-20 上取得 85.9% Accuracy 和 0.803 macro-F1，但摘要未明确该结果属于何种被试划分协议；在标为跨被试的 ISRUC-S3 评估中取得 81.8% Accuracy 和 0.796 macro-F1。两项结果来自不同数据集，不能直接据此比较泛化难度或推断跨数据集能力。作者同时报告模型参数量为 0.049M、计算量为 195.9 MFLOPs，但摘要未交代计算量对应的输入长度及统计口径。 阅读时应重点核对数据划分、预处理与分期标签设置，以及各模块对性能和计算成本的贡献；实验协议、消融及统计信息尚未验证。较小参数量和计算量支持其轻量化设计定位，但摘要未提供真实设备延迟、内存占用或功耗结果，本地部署的实际收益仍需核验。文中使用 EEG 并不等于已经验证 BCI 有效性，跨被试评估也不等同于采用域泛化或测试时自适应方法。