LGFNet：CTC 引导的单通道睡眠分期局部—全局融合框架

基于摘要分析。该研究针对单通道 EEG 睡眠分期中的长程时间依赖、阶段转换模糊及跨被试、采样率和电极导联配置的分布偏移，提出 CTC 引导的序列到序列框架 LGFNet。其核心贡献是结合局部—全局特征融合、CTC-Attention 联合训练与分阶段解码，兼顾细粒度时间动态和长程睡眠结构。 机制方面，Local-Global Fusion 编码器联合建模局部动态与全局结构，旨在克服传统串行混合架构的局限；CTC-Attention 联合训练将时间对齐与上下文建模结合，以改善阶段边界及转换识别。推理采用三阶段解码，其中包括 CTC 引导解码与基于 Viterbi 的平滑，用于减少错误累积并增强阶段序列的生理一致性。具体融合算子、损失权重、三个解码阶段的完整定义及转移约束尚未验证。 作者报告，在五个公开基准上的跨数据集评估中，LGFNet 优于所比较的先进单通道方法；在 Sleep-EDF-78 上，相比 DMIN，Accuracy、macro-F1 和 Kappa 的增量分别以 +1.27%、+1.74% 和 +1.93% 表述，并在 N1 与阶段转换片段上获得较明显改善。摘要未明确这些增量属于相对百分比还是百分点，不能自行换算；该组结果对应的训练与测试划分也尚未验证。 全文核验重点包括跨数据集训练和测试方向、被试划分、采样率及导联处理、各模块的消融与统计信息，以及 Viterbi 平滑是否影响阶段边界定位。摘要以可穿戴、低延迟应用为动机，但未给出推理时延或上下文窗口，尚不能据此确认实时部署能力。代码与复现配置尚未验证。