基于传导式原型优化网络的少样本 EEG 睡眠分期

基于摘要分析。研究针对人工 EEG 睡眠分期耗时、少样本条件下分类原型估计不足的问题，提出 transductive prototype optimization network（TPON），通过元学习与传导式原型优化改善睡眠阶段分类。其主要研究对象是 EEG 睡眠分期，而非直接验证 BCI 控制任务。 核心机制：TPON 在元训练阶段学习已有类别的原型，并利用“学会学习”的方式适应仅有少量示例的新类别。原型优化结合有标签支持集与未标注高置信度样本，旨在使类别原型更贴近实际特征分布、改善样本与原型的匹配。摘要未说明特征提取器、置信度筛选标准、原型更新公式及损失形式，这些实现细节尚未验证。 结果与协议：作者报告，在公开 SleepEDF-2013 数据集上，TPON 的整体表现优于多数先进算法；作者还报告跨通道识别的可行性，并据此认为不同通道间存在相似的睡眠 EEG 特征。摘要未提供 Accuracy 等具体指标、对照方法名称、少样本任务配置或数据划分，因而不能量化其优势，也不能据此判断被试内、跨被试或跨会话泛化能力。 复现核对重点：需确认元训练与评估阶段的类别定义及划分方式，尤其是“新类别”在睡眠分期任务中的具体含义；还需核对未标注样本的来源和推理时可访问范围、高置信度筛选与原型更新步骤，以及跨通道实验的训练和测试通道配置。实验协议、消融及统计信息尚未验证，跨通道可行性也不等同于已验证的跨被试或跨数据集泛化。