CoSleep：用于睡眠阶段分类自监督学习的多视图表征学习框架

基于摘要分析。CoSleep 针对睡眠阶段分类标注数据难以大规模获取的问题，提出结合生理信号时域与频域视图的自监督表征学习框架，核心贡献是通过多视图协同训练挖掘更多正样本，并以记忆模块扩展对比学习的候选样本池。 作者指出，既有自监督方法主要面向非时间相关数据，且侧重实例级表征学习。CoSleep 利用时域与频域视图的互补信息挖掘正样本，旨在缓解常用 InfoNCE 目标的局限，学习更接近睡眠阶段语义的表征。摘要未说明正样本筛选规则、时间相关性的具体处理方式或损失函数细节，这些机制仍需全文核对。 记忆模块由队列和移动平均编码器实现，用于扩大负候选样本池并保持表征更新。其队列规模、编码器更新方式、训练流程以及各模块的独立贡献尚未验证。 作者报告，在 SleepEDF 和 ISRUC 两个睡眠数据集的睡眠阶段分类实验中，Accuracy 分别为 71.6% 和 57.9%，并称优于所比较的自监督基线。摘要未提供被试内或跨被试协议、数据划分、标签使用比例、具体基线及统计信息，因此这些数值仅能视为各自未明确评估协议下的作者报告，不能据此判断跨被试泛化能力，也不宜直接跨数据集比较。 作者提供了公开代码链接，但代码内容、运行条件和复现结果尚未核验。该研究直接面向睡眠生理信号分类，不等同于已验证的 BCI 解码方法；摘要也未明确所用信号模态及通道配置。实验协议、消融及统计信息尚未验证。