基于可穿戴 EEG 的自动睡眠分期支持大规模睡眠分析

基于摘要分析。本研究针对 Muse S 头带采集的睡眠 EEG，评估自动五分类睡眠分期，并将模型用于较大规模的睡眠阶段分布与年龄关联分析。主要贡献是连接可穿戴 EEG 自动分期、学习表征可视化和群体睡眠分析，而非提出已验证的 BCI 控制方法。 方法与数据：作者评估了单通道 Deep Sleep Net（DSN）与多通道 Muse Net（MNet），使用 200 份专家标注的整夜睡眠 EEG 记录开展五分类任务，并通过 UMAP 可视化模型学习到的表征。摘要未说明训练与测试划分、是否采用被试内或跨被试评估、记录对应的独立被试数量，以及具体网络结构、损失和训练设置，这些信息尚未验证。 结果：在上述专家标注记录的五分类评估中，作者报告 DSN 的 Accuracy 为 85.2%、Cohen's Kappa 为 0.77，MNet 的 Accuracy 为 86.3%、Cohen's Kappa 为 0.79，并将其解释为与专家睡眠评分具有较高一致性。由于测试协议与统计不确定性尚未验证，不能仅凭这组结果判断多通道方案具有稳定优势。作者还报告，学习表征的可视化呈现出超越传统离散睡眠阶段的睡眠连续体；这一观察不等同于独立验证了新的睡眠阶段体系。 规模化分析：作者进一步对 1020 份无标签 EEG 记录进行分析，报告随年龄增加，NREM 3 与 REM 睡眠占比下降，NREM 2 占比上升。这是基于自动分期的关联结果，不支持年龄变化的因果解释；年龄分布、混杂因素控制及分期误差对关联估计的影响尚未验证。 复现与适用边界：作者认为四通道可穿戴 EEG 头带可提供低成本的大规模自动睡眠评分与分析手段。复现时需核对信号预处理、实际通道配置、专家标注流程、数据划分、类别表现及代码和数据可得性；实验协议、消融及统计信息尚未验证。研究直接涉及 EEG 睡眠分析，但摘要没有提供向其他 BCI 任务迁移的证据。