TUDAMatch：用于自动睡眠分期的时间序列无监督域适应

基于摘要分析。该研究针对 EEG 自动睡眠分期中训练数据与实际应用数据的分布差异及标注成本，提出时间序列无监督域适应框架 TUDAMatch，旨在利用时间依赖并缩小源域与目标域的标签分布差异。研究对象是睡眠分期，不能据此视为已验证的 BCI 控制或解码方法。 机制方面，框架包含数据增强、自回归判别器和域适应模块。数据增强模块采用特征增强与一致性增强，作者意图是生成更接近真实分布的数据；自回归判别器显式考虑时间依赖；域适应模块处理源域与目标域的分布差异。摘要未提供增强操作、判别器结构、损失函数及训练与推理流程，尚不能确定这些模块如何共同实现标签分布适配。 作者报告，在 SLEEP-EDF、SHHS 和 ISRUC-Sleep 上开展的实验中，相比直接迁移，Accuracy 提升为原文所述的 5.24%–13.79%；相比参考文献 [1]，提升为 2.85%。摘要没有明确这些数值表示相对百分比还是百分点，也未给出具体迁移方向、被试划分、各数据集对应结果及参考文献 [1] 的方法身份，因此不能将其作为统一协议下的可直接比较结论。 复现时需核对时间序列片段的构造、源域标签与目标域无标签数据的使用方式、通道与预处理的一致性，以及时间依赖建模和两类增强的消融结果。实验协议、消融及统计信息尚未验证。摘要提供了实现代码地址，但代码可运行性、配置完整性及结果可复现性尚未验证。该方法与 EEG 的联系在本研究中已有明确任务依据，但其对其他 EEG/BCI 任务的有效性仍不能由睡眠分期结果直接推出。