MVF-SleepNet：用于睡眠分期的多视图融合网络

基于摘要分析。该研究面向自动睡眠分期，提出 MVF-SleepNet，融合 EEG、ECG、EOG 和 EMG 的多模态生理信息，通过时频与图结构两种视图联合学习表征，旨在减少人工判读负担。其主要研究对象是睡眠分期，并非 BCI 控制任务。 方法构建 Time-frequency images（TF images）与 Graph-learned graphs（GL graphs）两种视图：前者结合 VGG-16 与 GRU，从按时间排列的时频图像中学习频谱—时间表征；后者结合 Chebyshev 图卷积与时间卷积网络，从按时间排列的图中学习空间—时间表征。随后融合两类表征进行睡眠阶段分类。图的节点与边如何定义、图学习方式、融合算子、损失函数及训练细节尚未验证。 作者报告，在公开数据集 ISRUC-S1 上，整体 Accuracy 为 0.821、F1 为 0.802、Kappa 为 0.768；在 ISRUC-S3 上，Accuracy 为 0.841、F1 为 0.828、Kappa 为 0.795。摘要未明确被试内或跨被试划分、样本与被试规模、F1 的平均方式及具体基线，因此这些数字仅能作为各数据集上作者报告的结果，不能据此判断跨被试泛化或临床可用性。作者称其与先进基线相比具有竞争力，但具体对照、消融及统计信息尚未验证。 复现可从摘要提供的 GitHub 代码入口着手，需核对信号预处理、通道配置、时频转换、图构建、序列长度、数据划分和类别不平衡处理。该方法直接涉及 EEG，但同时依赖其他生理模态；完整多模态结果不能视为 EEG 单模态效果。若评估 EEG 单模态适用性，可在固定数据划分与训练设置下比较时频视图、图视图及双视图融合，并核对模态移除后的性能变化；这属于待验证的复现问题，而非已证实的 BCI 收益。