通过多级掩码与提示学习实现资源高效的睡眠分期

基于摘要分析。本文研究资源受限环境下的自动睡眠分期：在减少每个睡眠 epoch 内所采集 EEG 信号量的同时，维持可靠的分类性能。作者提出 Mask-Aware Sleep Staging（MASS），结合多级掩码与分层提示学习，处理部分且不规则的观测，并补偿由掩码引入的上下文信息损失。 机制上，多级掩码策略旨在促进不完整观测条件下的特征建模；分层提示学习将未被掩码的数据聚合为全局提示，作为语义锚点，引导 patch 级和 epoch 级特征建模。摘要没有说明掩码的具体层级、采样模式、提示构造方式、骨干网络、损失函数或训练与推理流程，这些实现细节尚未验证。这里的掩码用于应对信号采集量受限，不能据摘要直接认定其属于自监督掩码建模。 作者报告，MASS 在四个数据集上取得 SOTA 表现，尤其在可用数据量很少时具有优势。但摘要未提供数据集名称、EEG 通道配置、被试数量、被试内或跨被试划分、保留信号比例、评价指标及对照基线，因此尚不能量化性能提升或比较不同协议下的效果；实验协议、消融及统计信息尚未验证。 其直接应用对象是可穿戴或家庭监测环境中的睡眠分期，而非 BCI 控制任务。复现时需重点核对：掩码是否仅作用于已完整采集的记录，还是对应可执行的间歇采集方案；不同掩码模式是否保留了足够的睡眠时序上下文；全局提示在推理时如何构建。作者提出的低资源部署潜力仍需结合实际采集、计算和能耗条件验证，离线减少输入量不能直接等同于硬件资源节省。