通过对比式想象实现不完整多模态生理信号下的稳健睡眠分期

基于摘要分析。该研究针对自动睡眠分期中 EEG、EOG、EMG 等生理信号模态不完整，以及时序上下文难以充分利用的问题，提出 contrastive imagination modality sleep network（CIMSleepNet），将缺失模态表征恢复、对比学习校准和时序注意力结合，用于提升模态缺失条件下的睡眠分期稳健性。 机制上，modal awareness imagination module（MAIM）通过学习各模态的共享表征分布捕获模态间交互；semantic & modal calibration contrastive learning（SMCCL）引入语义与模态先验，在检查语义一致性的同时保留各模态的独特性，并校准 MAIM 恢复的数据分布，使其与真实数据分布对齐。摘要未说明共享分布的具体参数化方式、恢复目标或对比损失形式，不能据此将其解释为原始信号重建。 时序建模方面，作者设计多层级跨分支时序注意力机制，分别挖掘单个 epoch 内和不同 epoch 间的交互上下文。这里的 epoch 指睡眠分期的信号片段，而非训练轮次；具体片段长度、上下文范围和分支结构尚未验证。 作者报告，在五个多模态睡眠数据集上，CIMSleepNet 在多种模态缺失模式下优于其他竞争方法。摘要未提供数据集名称、被试数、被试内或跨被试划分、缺失模式的构造方式、指标及数值，因此无法判断优势幅度或不同协议下的可比性。实验协议、消融及统计信息尚未验证；训练与测试阶段是否采用相同缺失设定，以及恢复模块对不同模态组合的依赖，均需结合全文核对。 摘要提供了源代码地址，但代码可运行性、预处理流程及复现依赖尚未验证。该研究直接面向多模态生理信号睡眠分期，所报告的结果不等同于其他 EEG 任务或在线 BCI 场景中的有效性。