使用合理性评分进行睡眠分期：一种基于度量学习的新型特征选择方法

基于摘要分析。该研究针对 EEG 睡眠分期中的特征选择问题，提出利用成对约束与度量学习联合评价特征子集的过滤式方法，旨在降低计算复杂度并改善分类表现；其核心贡献是构建特征子集判别准则，并据此引导序贯搜索。 方法上，作者指出现有许多特征选择准则基于欧氏距离，转而利用 must-link（应关联）与 cannot-link（不应关联）约束所表达的关系信息。研究基于 Kullback-Leibler divergence 设计两种准则，分别结合 Keep It Simple and Straightforward（KISS）metric learning 与 Cross-view Quadratic Discriminant Analysis（XQDA）metric learning，衡量两类约束之间的差异，以评价整个特征子集的判别能力。随后，作者从这些准则中简化出搜索指标，用于引导序贯特征选择。摘要未给出准则的具体公式、约束构造方式或搜索停止条件。 实验使用 Sleep-EDF Database Expanded 的 EEG 记录开展睡眠分期，并与九种代表性特征选择方法比较。作者报告，在健康志愿者数据集与轻度入睡困难志愿者数据集上，所提方法的平均分类 Accuracy 分别达到 97.66% 和 93.57%。摘要未说明这些结果对应被试内还是跨被试评估，也未提供训练测试划分、分期类别、分类器及平均方式，因此不能据此判断跨被试泛化能力或与其他协议下的结果直接比较。 复现时需核对 EEG 通道、预处理与候选特征、成对约束来源，以及特征选择是否仅在训练划分内完成；还需确认各对照方法的配置与计算成本。被试数量、类别分布、实验协议、消融及统计信息尚未验证。该工作的直接研究对象是 EEG 睡眠分期，摘要结果并不构成其他 BCI 任务有效性的证据。