用于单通道 EEG 睡眠分期的多通道多域知识蒸馏算法

基于摘要分析。该研究针对单通道 EEG 睡眠分期中如何利用多数据集、多通道训练信息的问题，提出 Multi-Channel Multi-Domain（MCMD）知识蒸馏算法，将多通道教师模型的知识迁移至单通道学生模型。 方法采用多通道预训练与单通道微调流程，将源域中不同通道的知识迁移至目标域单通道模型。在目标域中，预训练的教师—学生方案结合输出迁移和中间特征迁移进行蒸馏。摘要将不同数据集视为不同域，并提到 EMG、EOG 等通道信息可用于增强单通道 EEG 睡眠分期；其核心研究对象是睡眠分期，而非直接验证 BCI 控制性能。 作者报告，单通道睡眠分期 Accuracy 达到 86.5%，并称其达到当时最先进水平；相较其所述最先进多通道模型，性能下降 0.6%，相较基线模型提升 2%。后两项差值按摘要原文保留，尚不能确认其指相对百分比还是百分点。摘要未给出具体数据集、被试数、单通道选择、数据划分及基线配置，因此这些结果的评估前提及可比性尚未验证。 复现时应核对源域与目标域的数据组织、预训练及微调流程、教师与学生的结构、输出和中间特征的蒸馏损失，以及测试阶段是否仅需单通道 EEG。实验协议、消融及统计信息尚未验证，尤其需通过全文确认多域迁移与多通道蒸馏各自的贡献，以及跨被试、跨数据集表现。