SleepPairNet：通过随机配对交叉注意力学习多模态儿童睡眠表征

基于摘要分析。SleepPairNet 面向儿童睡眠生理信号的多模态表征学习，通过自监督预训练学习信号之间的成对交互，以支持下游睡眠分析。其核心方法是结合 cross-attention 与随机模态配对，使模型在预训练期间接触不同信号对，并适应测试时的不同模态组合。 机制上，随机配对决定预训练时参与交互的模态组合，cross-attention 用于建模配对信号之间的关系。摘要未给出具体模态清单、自监督目标、配对采样分布，以及测试时如何组合或聚合多组表征，因此尚不能判断其对缺失模态、模态数量变化或信号质量下降的适应能力。 作者报告，在 NCH 数据集上预训练后，SleepPairNet 在所评估的全部呼吸相关任务上优于参与比较的自监督学习基线，在 EEG 相关任务上保持有竞争力的表现；迁移至外部 CHAT 数据集时，作者报告表现更强。摘要未提供任务定义、指标、具体分数、基线名称及迁移设置，不能据此量化增益，也不能将不同数据集上的结果直接比较。 该研究的主要对象是多模态儿童睡眠分析，而非直接验证 BCI 解码能力。阅读与复现时需核对 NCH 与 CHAT 的数据划分、被试隔离方式、预训练和下游训练流程，以及随机配对相对固定配对的贡献。实验协议、消融及统计信息尚未验证；代码、权重与数据访问条件亦尚未验证。