LightSleepNet：基于单通道 EEG 的个性化便携式睡眠分期系统设计

基于摘要分析。LightSleepNet 面向资源受限移动平台上的实时睡眠分期，提出以 30 秒单通道 EEG 为输入的轻量级一维 CNN，并结合无监督域适应实现面向新被试的个性化。其主要研究对象是便携式 EEG 睡眠分期，而非直接验证 BCI 控制性能。 模型使用两个由分组一维卷积构成的残差块替代传统卷积层，以减少 CNN 冗余；在各卷积层中插入 channel shuffle，以促进通道间的信息交换。作者以 Global Average Pooling（GAP）替代全连接层，旨在降低过拟合风险并进一步减少参数量。 个性化算法结合 Adaptive Batch Normalization（AdaBN）与梯度重加权，给予更易迁移到新被试的样本更高优先级。作者称该算法可在不重新训练的情况下适配新被试；但摘要未说明梯度重加权与“不重新训练”的具体实现关系、适配时更新哪些状态或参数，以及所需目标被试数据量，这些均需全文核对。 作者报告整体 Accuracy 为 83.8%，计算量为 45.76 MFLOPs，参数量为 43.08 K，并将结果描述为达到当时最先进水平。摘要未提供数据集、被试数、睡眠阶段类别、训练测试划分及对照基线，因此尚不能确认该 Accuracy 对应何种跨被试或个性化评估协议，也不能据此直接比较其他方法。MFLOPs 数值的计量口径，以及移动硬件上的实际延迟、内存和功耗尚未验证；实验协议、消融及统计信息亦尚未验证。复现重点应核对目标被试数据如何参与 AdaBN 与梯度重加权，并在一致划分下区分轻量化结构与个性化适配各自的贡献。