Sleep2Word：利用生理词元化将外周信号转换为 EEG

基于摘要分析。Sleep2Word 研究如何从呼吸、心电图（ECG）或光电容积描记（PPG）估计整夜 EEG 时频谱，以支持未采集 EEG 的睡眠记录开展 EEG 信息辅助分析。核心贡献是将不同时间结构的生理信号表示为包含内容与持续时间的生理词元，再进行跨模态转换；研究对象是睡眠信号生成及下游分析，并非直接验证 BCI 控制或解码。 机制上，框架采用上下文相关分块，将生理信号嵌入组织成可变持续时间的片段，并联合量化片段内容与持续时间，构建各模态独立的词表。分块自回归转换器在固定时长块内预测目标 EEG 词元标识，以及针对每次词元出现的持续时间细化。作者认为，该设计可适配相互独立的源与目标词表、限制时间漂移，并缩短自回归解码路径。具体嵌入模型、量化目标、损失函数与块长度尚未验证。 作者报告，模型在来自 9 个数据集的超过 20K 个多导睡眠监测（PSG）病例上训练，在 EEG 时频谱重建、睡眠分期、觉醒检测及生存预测评估中持续优于现有时频谱生成基线；整夜序列压缩比例最高达 69.7%，并呈现有利的准确性与计算开销权衡。摘要未提供各任务指标、基线名称、测试集构成及被试内、跨被试或跨数据集划分，因此不能据此量化优势或确认泛化程度。 作者报告，睡眠事件分析显示词元捕捉到生理上合理的跨模态关联，提示其可能支持可解释的跨模态分析，但这不等同于恢复真实 EEG 的全部事件细节或建立因果关系。复现需核对信号同步与预处理、词表学习及训练测试隔离方式、生成谱的事件级保真度，以及下游任务如何使用生成结果。实验协议、消融及统计信息尚未验证；代码、数据访问条件与完整复现配置也尚未验证。