MSleepNet：用于同步睡眠觉醒与睡眠分期检测的半监督多视图混合神经网络

基于摘要分析。研究针对单通道 EEG 的同步睡眠觉醒检测与睡眠分期，提出半监督多视图混合神经网络 MSleepNet，将时域、频域特征与双任务学习结合，旨在缓解数据不平衡并减少对标注数据的依赖。其主要研究对象是睡眠监测，而非 BCI 控制或交互任务。 机制方面，MSleepNet 使用改进的残差骨干网络提取单通道 EEG 的时域与频域特征，并在频域引入注意力机制以增强特征识别。作者设计多任务分类损失以考虑睡眠觉醒与睡眠阶段的关联，在各任务中结合监督损失与半监督损失。摘要未提供两种视图的具体构造、融合位置、任务关联的数学形式，以及未标注数据如何参与训练，相关实现尚未验证。 验证材料包括两个公共数据集的整夜多导睡眠记录：SHHS（n=200）、Physio2018（n=100），以及一个本地临床数据集（n=60）。作者报告，在 Physio2018 上，睡眠分期的总体 Accuracy 为 0.78、F1 为 0.73；睡眠觉醒检测的 AUPRC 为 0.39、AUROC 为 0.75。摘要未说明被试划分、标注比例、F1 的平均方式及对照基线，不能据此判断跨被试泛化能力，也不能将不同任务的指标直接比较。 阅读与复现的重点是区分时频多视图、任务关联和半监督训练各自的贡献，并核对类别不平衡处理及未标注数据的使用协议。作者认为该框架具有在有限标注条件下同步监测睡眠觉醒与睡眠阶段的潜力；这一结论的适用范围仍需正文证据支持。实验协议、消融及统计信息尚未验证，网络细节与复现资源也尚未核实。