使用卷积神经网络的单通道 EEG 自动睡眠分期

基于摘要分析。该研究针对单通道 EEG 自动睡眠分期，使用卷积神经网络（CNN）学习用于分类的任务特定滤波器，减少对预先设计的领域特征的依赖。研究对象是正常睡眠阶段识别，并非直接验证 BCI 控制或交互任务。 方法上，作者在随机梯度下降（SGD）优化过程中采用类别均衡随机采样，以缓解样本较多的睡眠阶段主导分类表现的问题。摘要称滤波器学习不使用先验领域知识，但具体输入表示、网络结构、时间上下文、损失函数及预处理流程尚未验证。 评估使用来自 20 名健康年轻成人的公开数据集，并采用 20 折交叉验证。作者报告，在该评估下，跨全部被试的平均 F1 为 81%（范围 79–83%），各睡眠阶段准确率的均值为 82%（范围 80–84%），总体 Accuracy 为 74%（范围 71–76%）。这些指标含义不同，不能互换；摘要未说明范围的统计定义，也未明确交叉验证是否按被试划分，因此不能据此认定为跨被试泛化结果。 作者通过分析和可视化所学滤波器，报告其学习到的规则与美国睡眠医学学会（AASM）手册中的人工睡眠判读标准相对应。作者还报告类别间表现较均衡，且结果可与采用手工设计特征的当时先进方法相比；具体对照方法及比较协议尚未验证。 复现需进一步核对数据集名称、EEG 通道、分期标签定义、训练与测试划分、类别均衡采样的实现，以及各指标的计算与汇总方式。实验协议、消融及统计信息尚未验证；健康年轻成人上的结果也不能直接外推至睡眠障碍人群或其他年龄群体。