利用多导睡眠监测与基于分布的深度学习模型预估入睡过程的系统

基于摘要分析。该研究针对自我报告与睡眠阶段（SS）分类难以在早期评估睡眠质量的问题，提出利用多导睡眠监测（PSG）的基于分布的深度学习模型，在早期睡眠阶段预估入睡过程（FAP）。其主要研究对象是入睡时间及相关概率预测，而非 BCI 控制或意图解码。 方法以入睡潜伏期（SOL）作为预估 FAP 的依据；摘要指出 SOL 与失眠相关，且可在睡眠开始阶段观测。模型使用双通道 EEG、ECG 和 EMG，以表征睡眠动态的复杂性，并将来自 PSG 的各分布与重要性分数结合，比较其影响、输出随时间变化的清醒概率。分布的具体定义、融合方式、重要性分数计算及训练目标尚未验证。 作者报告，在摘要所述的基线比较中，该模型取得最佳 MAE（8.65）与 C-index（0.708），并保持具有竞争力的 Brier score（BS，0.041）与 negative binomial log-likelihood（NBLL，0.145）；列出的基线包括 AttnSleep、TinySleepNet 和 MEDI-SOL。摘要还提到对特征提取、时序编码器及既有 SS 模块进行比较，但具体实验配置尚未验证。MAE 的单位、数据集、被试数量、数据划分以及被试内或跨被试评估背景均未提供，因此这些数值仅能作为作者在所述实验中的报告，不能与其他协议直接比较。 该工作的可核对价值在于将入睡过程表示为随时间变化的概率，而不只输出睡眠阶段类别。需进一步核对预测所用信号的时间窗口、预估时点、概率校准及 SOL 标注方式，并确认入睡过程预测与实际睡眠质量评估之间的验证关系。实验协议、消融及统计信息尚未验证；模型结构、预处理和实现条件也需全文确认。摘要不能支持将其结果解释为已验证的失眠诊断能力或 BCI 有效性。