WaveCrossNet：面向 OSA 患者的可解释跨模态自动睡眠分期

基于摘要分析。本文研究阻塞性睡眠呼吸暂停（OSA）患者睡眠碎片化、阶段转换频繁所带来的自动睡眠分期难题，提出基于增强 Transformer 的 WaveCrossNet，将自适应小波阈值处理、双通道卷积神经网络与跨模态时序建模整合进端到端流程。研究对象是 EEG 与眼电（EOG）辅助的睡眠分期，而非直接的 BCI 控制任务。 机制上，模型通过能量自适应子带阈值选择性去噪，旨在保留微觉醒等瞬态事件；利用位置感知注意力与动态跨模态融合，建模 EEG、EOG 在 N1、REM 等睡眠阶段的互补模式；引入困难样本挖掘损失，应对阶段类别不平衡。摘要称 OSA 数据中的 N1 占比低于 5%，但具体损失形式、阈值计算及融合结构尚未验证。作者还通过注意力权重可视化，将特征关联与 N1 的缓慢眼动、N3 的高幅慢波等生理现象联系起来；这提供了解释线索，但不能仅据此认定模型学习到了因果性生理机制。 评估使用 Sleep-EDFx 健康人数据集及 Sleep Heart Health Study 的 200 条 OSA 记录，采用被试独立划分。作者报告，在该 OSA 评估设置下总体 Accuracy 为 84.9%，并声称达到最先进表现；对健康人数据仅定性描述为具有竞争力。摘要未提供具体对照成绩、各阶段指标或统计不确定性，因此尚不能独立核实其性能优势，200 条记录也不能直接等同于 200 名被试。 复现需核对 OSA 筛选标准、记录与被试对应关系、训练与测试划分、信号预处理、类别分布，以及各模块消融和注意力解释的验证方式。跨被试划分不等于域适应或域泛化验证；摘要尚未明确两个数据集之间是否开展跨数据集测试，实验协议、消融及统计信息尚未验证。