COVER：学习在选择性睡眠分期中接受更多预测

基于摘要分析。该研究面向 EEG 睡眠分期级联的第一阶段：保持主分类器的预测标签不变，在预设的接受风险目标下，尽可能提高可直接接受的预测覆盖率。作者提出 COVER（COVerage-oriented Error Ranking），以学习得到的错误评分替代最大 softmax 概率（MSP），并进一步针对覆盖率优化评分器，而非仅追求所有 EEG epoch 上的错误预测准确性。 方法包含两个环节：辅助信息引导的主分类器错误学习，以及固定尺度评分器细化。前者学习主分类器发生错误的评分，但不改变其输出标签；后者在经验接受风险约束下直接最大化覆盖率。摘要未说明辅助信息的具体来源、评分器结构、损失形式和固定尺度的实现方式，尚需全文核对。 作者在 Sleep-EDF-20 上以 5% 接受风险为目标评估，测试被试不参与任何拟合与选择。作者报告，在相近的被试等权风险下，辅助信息引导的错误学习将平均被试覆盖率从 MSP 的 31.5% 提升至 48.8%。在逐被试接受数量相同、合计接受 20,639 个 epoch 的对照中，错误数由 MSP 的 1,467 降至学习评分器的 867。作者另报告，固定尺度细化在嵌套开发评估中较初始化增加 1.7 个百分点覆盖率。 在八种评分器的比较中，作者报告 COVER 获得最高平均覆盖率：被试等权风险为 4.5% 时，覆盖率为 50.4%；SELE 与概率融合对照 DuoF 的覆盖率分别为 49.3% 和 43.6%。摘要未给出这两个对照对应的风险值，不宜将覆盖率差异直接解释为完全相同风险下的优势。 该工作直接研究 EEG 睡眠分期中的可靠性筛选，不等同于通用 BCI 解码验证。摘要呈现的是级联入口的接受与转交策略，而非完整级联的端到端性能或实测计算收益。复现需核对接受风险的定义与被试等权汇总方式、阈值选择、嵌套开发划分、辅助信息可用性及后级模型配置；详细实验协议、消融及统计信息尚未验证。