NeuroSleepNet：融合空间与多尺度独立时间上下文学习的可解释多头注意力自动睡眠分期框架

基于摘要分析。该研究针对基于 EEG 的自动睡眠分期中长序列依赖及计算复杂度问题，提出 NeuroSleepNet，仅使用当前输入序列进行分类，不依赖此前的长输入序列；主要贡献是结合空间与多尺度独立时间上下文表征、多头自注意力及类别不平衡处理。其研究对象是睡眠分期与监测，而非 BCI 控制任务。 机制方面，框架采用两阶段表征学习，包含空间学习和多尺度独立时间上下文学习，再由多头自注意力 Transformer 编码器将提取的表征转换为上下文嵌入，以增强特征区分能力。损失函数加入基于对数尺度的类别权重，用于处理不同睡眠阶段的类别不平衡；另设可解释性模块，展示并解释类别特异的决策模式。摘要未明确当前输入序列的时长、通道配置、具体网络结构、加权公式及解释方法，不能将其直接等同于某种固定时长的单个 epoch。 在仅使用当前输入序列的评估前提下，作者报告 Sleep-EDF expanded 上 Accuracy 为 86.1%、macro-F1 为 80.8%、Cohen’s Kappa 为 0.805；MESA 上分别为 82.0%、76.3%、0.753；Physio2018 上分别为 80.5%、76.8%、0.738；SHHS 上分别为 86.7%、80.9%、0.804。作者将这些结果描述为达到 SOTA，但摘要未提供具体对照方法、被试数量、数据划分或被试内／跨被试协议，因而尚不能核实比较条件，也不能将多个数据集上的结果视为跨数据集迁移证据。 作者认为避免历史长序列依赖可提高计算效率并适用于长期自动睡眠监测；实际运行时间、资源消耗及长期监测表现尚未验证。材料提供了源代码地址，但代码可运行性、预处理与训练配置尚未核验。复现宜优先核对数据划分与输入定义、各表征模块和类别权重的消融、解释结果的验证方式，以及与历史序列方法在一致协议下的性能和计算成本。实验协议、消融及统计信息尚未验证。