SSF-SET：基于离散 EEG token 的睡眠阶段预测框架

基于摘要分析。该研究针对传统睡眠分期只能识别已发生阶段的问题，提出 SSF-SET，利用当前睡眠过程中较早的 EEG 预测未来睡眠阶段序列。主要贡献是将连续睡眠 EEG 表征量化为离散 token，再通过自回归模型学习阶段演化，而非仅对既往片段进行分类。 机制上，睡眠 EEG tokenizer（SET）结合用于 epoch 级表征的多分支 transformer、基于 LSTM 的序列编码器—解码器及量化模块。作者认为，量化形成的信息瓶颈能够揭示潜在转移结构并抑制伪迹。睡眠阶段预测器（SSF）采用 decoder-only transformer，先以因果注意力进行下一 token 预测预训练，再通过强化学习微调，奖励包含序列级 macro-F1 与 token 一致性；据摘要，推理时不访问未来 EEG。具体量化方式、token 到睡眠阶段的映射、奖励计算与训练数据组织尚未验证。 作者报告，在 SleepEDF20 与 SleepEDF78 上采用按被试划分的交叉验证，SSF-SET 均优于直接预测及基于已预测睡眠阶段进行预测的对照方法。在该协议下，SleepEDF20 的 Accuracy 为 0.596、macro-F1 为 0.516；SleepEDF78 的 Accuracy 为 0.611、macro-F1 为 0.537。摘要未给出对照分数，不能据此量化提升幅度；输入历史长度、未来预测时域、交叉验证折数、消融及统计信息尚未验证。 复现应重点核对 SET 与 SSF 的训练划分、量化模块相对连续表征的贡献，以及不同预测距离下的性能。这些是待核对事项，并不构成对实验缺陷的判断。作者将该框架定位为提前干预睡眠阶段变化的潜在组件，但摘要未提供闭环干预或睡眠质量改善的验证，预测性能不能直接视为个性化睡眠管理的临床获益。