SLEEPNET：基于深度学习的自动睡眠分期系统

基于摘要分析。该研究针对夜间多导睡眠监测（PSG）中睡眠分期依赖人工标注的问题，提出 SLEEPNET（Sleep EEG neural network），以深度循环神经网络实现自动睡眠分期；摘要将其描述为已部署的标注工具，主要研究对象是睡眠 EEG 分析，而非 BCI 控制或交互任务。 方法与数据：作者使用 Massachusetts General Hospital（MGH）睡眠实验室超过 10,000 名患者的 PSG 数据训练模型。循环神经网络是摘要明确提供的核心方法，但输入是否仅含 EEG、通道配置、预处理、分期时间窗、网络结构、损失函数及训练策略均尚未验证。不能仅凭“循环”进一步确定其具体时序建模范围。 结果：作者报告，在包含 1,000 份 EEG 的独立测试集上，平均 Accuracy 为 85.76%，算法与专家之间的评定者间一致性（IRA）为 Kappa = 79.46%；作者据此称其达到人类水平的标注表现，并与专家—专家一致性相当。摘要未明确这 1,000 份 EEG 对应的独立被试数量，也未说明是否采用严格的被试隔离划分，因此不能将其直接归为已验证的 Cross-subject 或 Cross-session 结果。Accuracy 与 Kappa 分别反映分类正确率和一致性，不能互换。 验证边界：全文未取得，实验协议、消融及统计信息尚未验证。复现与结果解释需核对睡眠分期标签标准、类别分布、专家标注与一致性计算方式、训练与测试患者的隔离规则，以及数据和实现的可获取性。摘要所述部署状态与同一来源数据上的独立测试，不足以单独确立跨中心泛化能力或临床诊断有效性。