EC-SleepMamba：用于睡眠分期的 EEG 引导跨模态 Mamba 框架

基于摘要分析。该研究面向自动睡眠分期，提出 EC-SleepMamba，以 EEG 引导的非对称跨模态交互结合多尺度局部特征和跨 epoch 时序建模，处理模态信息贡献不均衡及长时程生理信号建模的计算负担。研究对象是睡眠分期，并非直接验证 BCI 解码性能。 机制上，框架首先通过模态专属的双尺度 CNN 提取高分辨率局部特征；随后在序列编码中，以 EEG 衍生上下文控制辅助模态的 Cross-Mamba 分支，通过交互门实现从主模态到辅助模态的定向信息调节；最后使用全局 bi-Mamba 模块捕捉跨 epoch 的睡眠阶段转移模式。其主要设计依据是 EEG 为主要模态、EOG 与 EMG 提供辅助信息的临床先验，而不是对各模态采用对称融合。具体门控公式、训练损失、输入序列长度及计算复杂度尚未验证。 作者报告，在 Sleep-EDF-39 和 Sleep-EDF-153 上，EC-SleepMamba 优于五种竞争方法，并改善了易混淆睡眠阶段的区分。摘要未提供具体指标、数值、竞争方法名称或数据划分，因而不能判断优势幅度，也不能确定其属于被试内还是跨被试评估。实验协议、消融及统计信息尚未验证。 复现时需核对数据预处理、模态配置、划分方式与长序列构建方式，并检查 EEG 引导门控及全局 bi-Mamba 的独立贡献。该框架依赖同步多模态信号与跨 epoch 上下文；对辅助模态缺失、EEG 噪声及不同记录条件的适用性，需要进一步查阅全文确认。摘要中的分期结果不能直接外推为其他 EEG 任务或 BCI 场景中的有效性。