利用 SleepFM-2 从两百万小时睡眠中学习可迁移的人体生理表征

基于摘要分析。该研究探索大规模睡眠多模态记录能否学习跨疾病、临床任务与传感模态迁移的人体生理表征，提出睡眠基础模型 SleepFM-2。其主要研究对象是睡眠生理与健康预测，而非 BCI 控制或运动想象解码。 数据与方法：模型开发及评估涉及来自 26 个队列的 282,511 夜多导睡眠监测（PSG），其中 235,865 份记录用于预训练；材料所述记录总量超过两百万小时，覆盖脑活动、心律、肌肉运动及呼吸模式。摘要未说明编码器结构、预训练目标、模态对齐方式或缺失模态处理机制，这些内容尚未验证。 作者报告：以单夜睡眠记录结合年龄、性别和 BMI 为输入，在两个留出测试队列中，对 215 项新发健康表型的预测达到 Harrell's C-index 至少 0.75，且 Bonferroni 校正后 P < 0.01；其中一个测试队列来自预训练未见的医疗系统。模型优于仅使用人口统计信息的基线，以及从相同记录提取的 480 项可解释特征构成的强基线。上述结果属于健康事件预测，不能解释为 EEG 分类 Accuracy 或 BCI 性能。 迁移评估：作者报告，冻结的 SleepFM-2 编码器可迁移至清醒 EEG、头带及耳内 EEG、腕部 PPG 和腕部加速度信号；在六个队列的睡眠分期评估中优于端到端监督训练，并在 UK Biobank 疾病预测中与直接在加速度信号上预训练的基础模型表现相当。各模态与任务的具体对应关系、数据划分和效应幅度尚未验证。摘要另称附录包含处于专家评分者水平范围内的睡眠评分及主观睡眠终点评估，但目前无法核对细节。 平台推测（待验证）：可迁移的冻结编码器可能为小样本 EEG 表征学习提供候选初始化，但睡眠与清醒任务的状态差异、低信噪比、被试差异和通道配置变化均可能限制迁移。可复用对象是预训练编码器，输入适配及任务输出模块仍需评估；摘要不足以支持具体 BCI 复现实验设计。已有相关 EEG 工作尚未检索确认；实验协议、消融及统计信息尚未验证。