L-SeqSleepNet：用于自动睡眠分期的整周期长序列建模

基于摘要分析。该研究针对自动睡眠分期中的长时依赖建模问题，提出 L-SeqSleepNet，以高效长序列建模纳入整个睡眠周期的信息。原论文的主要研究对象是 EEG 睡眠分期，而非 BCI 控制或运动想象解码。 机制与贡献：摘要以人类睡眠周期约为 90 分钟为背景，认为完整周期内的时序逻辑对分期有价值，而现有深度学习模型的序列建模方式难以高效利用这类上下文。L-SeqSleepNet 因而侧重扩大可利用的时间范围并控制计算开销；具体网络结构、长序列组织方式、损失函数以及训练与推理流程尚未验证。 评估与结果：作者报告在四个不同规模的数据库上开展评估，覆盖常规 Polysomnography（PSG）中的头皮 EEG、耳内 EEG，以及耳周 EEG（cEEGrid）三类设置，并称模型即使使用单通道 EEG 也获得了领先表现。摘要未给出数据库名称、被试数量、被试内或跨被试划分、指标数值及完整对照，因此尚不能量化其收益或判断各设置间的可比性。 作者还报告，模型可减轻占多数的 N2 睡眠类别对分类结果的主导作用，降低其他睡眠阶段的错误；对于基线表现特别差的被试，模型表现均显著改善。作者报告计算时间随序列长度增加呈次线性增长，但具体计时条件、硬件、序列范围及统计显著性依据尚未验证。 复现核对重点是完整周期上下文的实际构造、数据库划分与上下文边界、单通道配置、各睡眠阶段指标和逐被试结果，以及计算时间的测量协议。实验协议、消融及统计信息尚未验证；摘要不足以将睡眠分期中的收益推广为一般 EEG 或 BCI 任务的已验证效果。