EEG-CLNet：基于单路 EEG 信号同步测量睡眠阶段与 OSA 事件的协同学习

基于摘要分析。该研究针对睡眠分期与阻塞性睡眠呼吸暂停（OSA）事件检测通常分别建模、耗费时间与资源的问题，提出单路 EEG 多任务协同学习网络 EEG-CLNet，在同一模型中完成两项任务。其主要研究对象是睡眠监测，而非 BCI 控制或交互任务。 机制上，EEG-CLNet 将不同任务作为共同单元，结合局部参数共享与跨任务知识蒸馏（CTKD）提取组内特征，而非仅依赖参数共享或缩短不同任务之间的距离。作者认为，这种协同机制能够挖掘任务语义信息之间的隐含关系，并缓解硬参数共享中的任务偏置。摘要未说明共享单元的具体结构、蒸馏方向、损失函数及训练流程，相关实现尚未验证。 结果方面，作者报告在两个数据集上取得与其他方法相当或更好的表现，相对基线的性能增益为 1%–5%。摘要未给出数据集名称、被试规模、数据划分、具体评价指标及基线身份，也未明确该增益是相对百分比还是百分点，因此不能据此量化睡眠分期或 OSA 检测各自的改善，也不能判断其被试内、跨被试或跨会话泛化表现。 作者还报告，相比需要两个或更多模型分别完成两项任务的既有方案，EEG-CLNet 可减少总模型参数，并提出其用于轻量化可穿戴睡眠监测的潜力。具体参数量、推理开销、设备部署与临床验证条件尚未验证。复现时应优先核对两项任务的标签定义与时间对齐、单路 EEG 的采集与预处理、数据划分、单任务及硬共享基线，以及局部参数共享和 CTKD 的消融；实验协议、消融及统计信息尚未验证。摘要虽提及呼吸暂停低通气指数（AHI）的诊断意义，但未提供 AHI 估计或诊断性能结果，不能将事件检测表现直接等同于 AHI 测量能力。