EEG-CLNet：基于单路 EEG 信号同时测量睡眠分期与 OSA 事件的协同学习

基于摘要分析。研究针对睡眠分期与阻塞性睡眠呼吸暂停（OSA）事件检测通常由独立模型完成、增加时间与资源开销的问题，提出基于单路 EEG 信号的多任务协同学习网络 EEG-CLNet，在同一模型中联合完成两项任务。其主要研究对象是睡眠监测，而非 BCI 控制或意图解码；摘要虽以睡眠分期和呼吸暂停低通气指数（AHI）引入诊断需求，但明确描述的模型任务是睡眠分期与 OSA 事件检测，不能据此认定其已验证 AHI 估计准确性。 机制上，EEG-CLNet 将不同任务视为共同单元，通过局部参数共享与跨任务知识蒸馏（CTKD）提取组内特征，区别于仅共享参数或缩短任务间距离的方案。作者认为，这种协同方式有助于挖掘不同任务语义信息之间的隐含联系，并缓解硬参数共享中的任务偏置。摘要未给出具体网络结构、任务分组方式、蒸馏方向、损失形式及训练安排，这些实现细节尚未验证。 作者报告，在两个数据集上，该方法取得与其他方法相当或更好的表现，相对基线的性能增益为 1%–5%。摘要未说明数据集名称、指标、基线、数据划分及被试内或跨被试等评估协议，因此不能将该范围解释为 Accuracy 的百分点提升，也不能据此判断泛化能力。作者还报告，相比需要两个或更多模型分别执行两项任务的既有工作，EEG-CLNet 可减少总模型参数量，但具体参数量及计算开销尚未验证。 复现时需核对单路 EEG 的输入与预处理、两项任务标签的时间对齐、数据划分，以及局部参数共享和 CTKD 各自的贡献。实验协议、消融及统计信息尚未验证。轻量化可穿戴睡眠监测是作者提出的应用潜力，不等同于已完成设备部署或临床有效性验证。