可穿戴 EEG 自动睡眠分期支持规模化睡眠分析

基于摘要分析。该研究面向 Muse S 头带采集的夜间睡眠 EEG，评估单通道 Deep Sleep Net（DSN）与多通道 Muse Net（MNet）的自动睡眠分期能力，并利用模型预测分析睡眠阶段分布与年龄的关系。其主要研究对象是可穿戴 EEG 睡眠监测，而非 BCI 控制或交互任务。 方法与评估：研究在 200 份专家标注的整夜睡眠 EEG 记录上评估两个深度学习模型的五分类睡眠分期表现，并使用 UMAP 可视化模型学习到的表征。作者报告，DSN 的 Accuracy 为 85.2%、Cohen's Kappa 为 0.77，MNet 的 Accuracy 为 86.3%、Cohen's Kappa 为 0.79。摘要未说明这些记录对应的独立被试数量、训练与测试划分，以及是否采用被试内或跨被试协议，因此不能据此判断对新用户的泛化能力，也不能将两个模型的差异单独归因于通道数量。 规模化分析：作者进一步在 1020 份未标注 EEG 记录上分析 NREM 与 REM 睡眠阶段分布和年龄的关系，报告随年龄增加，NREM 3 与 REM 睡眠占比下降，NREM 2 睡眠占比上升。这些关联来自自动分期后的睡眠阶段序列分析，应与专家标注记录上的分类评估区分；摘要未提供年龄分布、关联效应量、统计检验或混杂因素控制信息，尚不能作因果解释。 表征与局限：作者根据特征可视化认为，模型学习到了超出传统离散睡眠阶段的睡眠连续性；这一解释仍需结合全文中的可视化、定量验证及生理依据核对。作者据此提出四通道可穿戴 EEG 头带可支持低成本规模化睡眠评分与分析，但摘要未提供成本比较。网络结构、损失函数、预处理、伪迹处理、实验协议、消融及统计信息尚未验证；复现还需确认数据可得性、模型实现和专家标注流程。