LGSleepNet：基于局部与全局表征学习的自动睡眠分期模型

基于摘要分析。该研究针对 EEG 自动睡眠分期中局部与全局特征的联合建模问题，提出 LGSleepNet，通过异构表征融合与类别不平衡损失设计改善睡眠阶段分类。作者认为，既有研究偏重局部特征提取，未充分利用全局特征；这一判断的适用范围仍需结合正文及相关工作核对。 模型包含 asymmetric Siamese neural network（ASNN，非对称孪生神经网络）、deep adaptive orthogonal fusion（DAOF，深度自适应正交融合）模块，以及 weighted polynomial cross entropy（WPCE，加权多项式交叉熵）损失。ASNN 同时提取局部与全局 EEG 特征；DAOF 通过正交化与自适应融合，旨在减少异构特征间的信息冗余和语义偏差，并增强两类表征的关联；WPCE 旨在改善分类头的决策能力并缓解样本不平衡。摘要未提供局部与全局的具体定义、网络结构、正交化约束或损失公式，不能据此确定实现细节。 作者报告，在 Sleep-EDF-20、Sleep-EDF-78 和 SVUH-UCD 上，macro F1 分别为 80.7%、76.0% 和 75.1%，overall Accuracy 分别为 86.0%、82.3% 和 76.3%。摘要未说明这些结果对应的被试内或跨被试协议、训练测试划分及具体对照基线，因此不能直接与其他论文的同名指标比较。作者称模型相较其他先进方法具有较高性能，但优势幅度与统计可靠性尚未验证。 复现时应优先核对 EEG 通道与预处理、输入时间窗口及全局上下文范围、被试划分、类别权重设置，以及 ASNN、DAOF 和 WPCE 的独立贡献。实验协议、消融及统计信息尚未验证，代码与运行条件也尚未确认。本文的主要研究对象是 EEG 睡眠分期，摘要不提供其在运动想象或其他 BCI 任务上有效的证据。