ViSTA-SleepNet：用于多模态睡眠分期的视图整合与被试自适应 Transformer 框架

基于摘要分析。ViSTA-SleepNet 针对睡眠分期中阶段特异波形识别、过渡区域误分类及生理个体差异问题，提出两阶段、多视图、多模态框架，联合建模 EEG、EOG 和 EMG，并支持睡眠阶段、纺锤波与慢波的联合检测。其主要研究对象是睡眠分期及睡眠事件检测，而非直接验证 BCI 控制任务。 方法上，作者对睡眠阶段过渡片段进行数据增强，以改善边界学习；通过多视图表示学习与跨视图 Transformer，联合建模 EEG 原始波形、幅度变化和具有时间结构的事件。EOG、EMG 作为补充模态与 EEG 特征自适应融合；基于人口学和生理信息的特征级线性调制（FiLM）用于个体化表示学习。最后结合双向门控循环单元（Bi-GRU）与条件随机场（CRF），约束睡眠阶段序列的生理一致性。摘要未展开两阶段的具体训练流程、损失设计及视图构造细节；这里的被试自适应不能直接等同于测试时自适应。 作者报告，在 Sleep-EDF-20、Sleep-EDF-78 和 SHHS 上采用严格的 20 折被试独立交叉验证，睡眠分期 Accuracy 分别为 88.5%、84.5% 和 89.6%。作者另报告纺锤波和慢波检测 Accuracy 超过 95%，但摘要未明确该结果对应的数据集、标注来源、类别分布及检测判定方式，不能据此推断事件级检测能力。作者还称可视化结果支持模型的判别性能与生理合理性，但这不替代定量对照。 复现时需核对各数据集的被试划分、模态与通道配置、人口学及生理信息的可用性、过渡片段增强的实施范围，以及 FiLM、多视图模块和序列约束的独立贡献。实验协议细节、消融及统计信息尚未验证，代码与权重可用性亦尚未验证。