利用两百万小时睡眠数据，通过 SleepFM-2 学习可迁移的人体生理表征

基于摘要分析。该研究以多模态睡眠生理信号为对象，提出睡眠基础模型 SleepFM-2，探索其表征能否跨疾病、临床任务、传感器及主观睡眠体验迁移，而非直接研究 BCI 解码。 数据与方法：模型开发与评估涉及来自 26 个队列的 282,511 次多导睡眠监测（PSG）记录，其中 235,865 次用于预训练，总数据规模超过两百万小时。PSG 覆盖脑、心脏、肌肉及呼吸系统活动；摘要未说明模型架构、预训练目标、具体模态配置及跨传感器适配机制。 作者报告，相比 SleepFM，SleepFM-2 改善了疾病预测与睡眠评分，并支持觉醒、肢体运动及呼吸事件检测。将 PSG 表征与年龄、性别及 BMI 结合后，模型在两个留出队列中，对 188 种随后记录于 EHR 的表型达到预先设定的区分能力与统计显著性标准，其中一个医疗系统未参与预训练；具体阈值、预测时间窗及效应量尚未验证。作者还报告，该模型优于从相同记录提取的 480 特征基线。疾病评分中存在可复现的主成分，与 sigma 频段空间耦合降低及 hypnodensity 熵增加相关；这属于关联结果，不能据此推断因果机制。 迁移结果：作者报告，冻结编码器在睡眠事件任务上的表现落在所观察到的专家评分者表现范围内，并可迁移至清醒 EEG、头带与耳内 EEG、腕部 PPG 和腕部加速度数据。在六个加速度计队列中，作者报告睡眠分期得到改善；在 UK Biobank 中，疾病预测表现与直接在加速度数据上预训练的模型相近。摘要未给出这些比较的具体指标与差异。作者还报告模型捕捉了常规 PSG 汇总指标未恢复的部分主观睡眠信息，尤其是对记录当晚的报告。 平台推测（待验证）：可复用方向是将睡眠预训练编码器作为 EEG 表征提取器，检验其能否缓解小样本跨被试解码的表征学习瓶颈；该假设不等于已证实的 BCI 效果。需核对输入通道、采样率及信号窗口的适配条件，睡眠与任务态差异、低信噪比及通道布局变化均可能导致迁移失败。若权重与预处理流程可得，可在固定跨被试划分下，以冻结表征加线性分类器对照随机初始化编码器及任务内训练基线。相关 EEG/BCI 工作尚未检索确认；实验协议、消融及统计信息尚未验证。