无需患者数据的睡眠分期模型预训练

基于摘要分析。本文研究 EEG 睡眠分期在被试差异大、训练数据有限时的学习困难，提出 frequency pretraining：让神经网络预测随机生成的合成时间序列的频率内容，以此进行预训练，降低对大规模真实患者数据的预训练依赖。标题中的“无需患者数据”针对预训练环节，不代表下游睡眠分期训练与评估无需患者数据。 核心机制是利用合成信号及其频率内容构造预训练任务，而非依赖大量实测 EEG 开展自监督学习。摘要未说明合成信号的生成分布、频率预测目标的表示方式、损失函数、网络结构，以及预训练与下游训练的衔接方式，这些细节尚未验证。 作者报告，在数据有限且被试较少的睡眠分期场景中，该方法优于完全监督学习；在被试较多的场景中，表现与完全监督学习相当。摘要未提供数据集、被试数、评价指标或具体结果，也未明确被试内、跨被试及跨会话划分，因此不能量化收益或判断其跨被试泛化能力。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若合成频率预测能学习可迁移的频谱表征，可能缓解部分 EEG 任务的小数据训练瓶颈；这一假设不等于已证实的 BCI 效果。可复用的是合成信号预训练任务，需根据目标任务调整频率范围、采样率、输入通道与下游输出。真实 EEG 的低信噪比、非平稳性、通道差异和被试差异可能使合成信号表征失效，依赖时序或空间结构的任务也未必受益。一个可检验的小实验是，在固定跨被试划分和标注预算的 MI 数据上，比较同一网络随机初始化与 frequency pretraining 初始化的表现，并保持下游训练设置一致。已有 EEG 相关工作尚未检索确认。