用于睡眠 EEG 生成的生理引导年龄—阶段一致性扩散模型

该研究针对睡眠 EEG 条件生成中“整体统计逼真，但年龄变化与指定睡眠阶段相矛盾”的问题，提出 Phy-DiffKAN，以可解释生理先验约束扩散生成过程中的年龄—阶段一致性。基于摘要分析，未取得论文全文。 方法在可解释的 12 维坐标空间中构建因子化先验场，将年龄、记录性别、睡眠阶段及其两两交互分解为六个分支；各分支对有限锚点状态进行平滑近似，再投影为具有生理结构的 tokens，供 Transformer 扩散去噪器使用。作者还引入 branch-drop 与 branch-mismatch 约束，分别强化分支的必要性和对具体条件取值的特异性；具体损失形式及训练细节尚未验证。 评估采用被试互不重叠的 Sleep-EDF 队列，并控制人口统计分配、确保每名被试具有完整的睡眠阶段覆盖，考察整体生成质量、固定阶段保持和年龄编辑响应。作者报告，在该协议下 FID 为 0.53、feature-manifold F1 为 0.78、LogPSD distance 为 0.06、五阶段 Balanced Accuracy 为 0.87。其中 feature-manifold F1 属于生成质量评价，不能等同于睡眠分期分类 F1；各指标的特征提取器、计算方式及对照基线尚待核对。 作者报告，在固定扩散噪声、将 REM 的年龄条件由年轻改为年老时，模型能够保持 REM 阶段身份、抑制向 N2 偏移，并保留接近真实数据的年龄可解码性；N1 年龄扫描也呈现类似的阶段保持模式。摘要未给出这些编辑结果的具体效应量与不确定性。其主要贡献是检验生成信号的条件生理一致性，而非仅依赖边缘频谱或特征分布的逼真度；样本规模、年龄划分、完整阶段覆盖筛选的适用范围、消融及统计信息尚未验证，也不能据此推断合成数据已改善下游 EEG 或 BCI 任务。