SleepJEPA：利用居家睡眠数据学习睡眠的潜在世界以估计疾病风险

基于摘要分析。该研究关注居家多导睡眠监测（hPSG）与未来疾病风险之间的关系，提出睡眠基础模型 SleepJEPA，通过联合嵌入预测架构学习整夜、多通道睡眠信号的潜在表征，并用于长期风险估计及睡眠相关任务。主要研究对象是睡眠健康与疾病风险，而非 BCI 控制或意图解码。 方法与数据：摘要介绍 hPSG 可记录 EEG、EOG 和 EMG；SleepJEPA 在潜在空间学习整夜多通道表征，再使用离散风险损失估计 10 类结局的 1—15 年累积风险。作者报告，训练、验证和测试合计使用 55,518 次睡眠研究中的 422,035 小时信号；这些次数不能直接视为独立被试人数。具体输入通道、预测目标、模型结构、预训练与风险任务的衔接、队列构成及划分方式尚未验证。 风险评估：作者报告，在文中测试评估中，15 年时间范围的积分 ROC 曲线下面积（iAUC15）包括心血管疾病死亡 0.83、充血性心力衰竭 0.85、心肌梗死 0.80 和卒中 0.78；认知下降的 iAUC10 为 0.65，阻塞性睡眠呼吸暂停的 iAUC5 为 0.86。作者还报告独立队列中的心血管疾病死亡 iAUC10 为 0.79、冠心病死亡 iAUC10 为 0.74、阻塞性睡眠呼吸暂停 iAUC5 为 0.77、卒中 iAUC10 为 0.60。上述时间范围及队列不同，不能直接用分数差异衡量泛化损失。 其他任务与对照：作者报告睡眠分期 F1 为 0.77（95% CI：0.76—0.77），客观日间嗜睡 AUC 为 0.64（区间：0.57—0.71），1 型发作性睡病 AUC 为 0.88（区间：0.68—0.97）；后两项区间的置信水平及各任务评估划分尚未验证。作者称各疾病结局的性能优于 SleepFM 等睡眠基础模型，并通过相关性分析和可解释性方法考察不同预测时间范围的重要特征，但摘要未提供对照差值或特征细节。 阅读与复现需核对个体级数据划分、随访与删失处理、风险校准、队列及设备差异，以及基线训练条件、消融和统计信息；代码、权重与数据获取条件尚未验证。摘要支持的是风险预测关联，不能据此建立睡眠扰动的因果作用或形成临床实践建议，也不能外推为已验证的 EEG/BCI 泛化能力。