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信息的联合利用问题，提出 LGSleepNet，将非对称孪生神经网络（ASNN）、深度自适应正交融合（DAOF）模块和加权多项式交叉熵（WPCE）损失结合，用于学习互补表征并缓解样本类别不平衡。其主要研究对象是睡眠分期，而非 BCI 控制任务。 机制方面，作者将既有研究偏重局部特征、忽视全局特征作为研究动机。ASNN 同时提取 EEG 局部与全局特征；DAOF 通过正交化和自适应融合，旨在减少异构特征之间的信息冗余与语义偏差，加强二者的关联表征；WPCE 则用于改善分类头的判别能力并缓解类别不平衡。摘要未给出局部与全局的具体时间尺度、网络结构、正交化实现及损失公式，这些细节尚未验证。 作者报告，在 Sleep-EDF-20、Sleep-EDF-78 和 SVUH-UCD 三个公开数据集上，macro F1 分别为 80.7%、76.0% 和 75.1%，总体 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、训练与测试划分、通道配置及预处理，因此不能据此直接比较不同数据集的性能或判断泛化能力。作者称其相较其他先进方法具有较高性能，但具体对照基线、优势幅度及统计信息尚未验证。 复现时需核对局部与全局表征各自的贡献、DAOF 与 WPCE 的独立增益，以及类别权重设置和数据划分方式；实验协议、消融及统计信息尚未验证。当前材料支持将其视为 EEG 睡眠分期方法，不足以推断其在其他 EEG 任务或 BCI 场景中的有效性。