LGSleepNet：基于局部与全局表征学习的自动睡眠分期模型

基于摘要分析。本文研究基于 EEG 的自动睡眠分期，提出 LGSleepNet，以联合学习局部与全局表征、融合异质特征及处理样本不平衡。其主要研究对象是睡眠阶段分类，而非 BCI 控制任务。 模型包含 asymmetric Siamese neural network（ASNN，非对称孪生神经网络）、deep adaptive orthogonal fusion（DAOF，深度自适应正交融合）模块与 weighted polynomial cross entropy（WPCE，加权多项式交叉熵）损失。作者认为既有方法对局部特征的关注不足以覆盖全局信息，因此使用 ASNN 同时提取两类特征；DAOF 通过正交化与自适应融合，旨在减少异质特征间的信息冗余与语义偏差；WPCE 则旨在改善分类头的判别能力并缓解样本不平衡。摘要未说明局部与全局的具体时间尺度、网络结构、正交约束实现或损失公式，相关细节尚未验证。 作者报告，在 Sleep-EDF-20、Sleep-EDF-78 和 SVUH-UCD 三个公开数据集上，macro F1 分别为 80.7%、76.0% 和 75.1%，overall Accuracy 分别为 86.0%、82.3% 和 76.3%。这些结果对应各数据集的作者评估，但摘要未提供被试内或跨被试协议、训练与测试划分、通道配置及预处理，不能据此直接比较不同数据集上的泛化能力。作者称模型与其他先进方法相比表现处于先进水平，具体基线及比较条件尚未验证。 复现时应优先核对局部与全局表征的定义、DAOF 的正交化对象与融合方式、WPCE 的类别权重及多项式设置，并确认被试划分、指标汇总方式和各模块的独立贡献。全文、实现可用性、实验协议、消融及统计信息尚未验证；目前证据仅支持摘要所报告的睡眠分期结果，不支持推断其对其他 EEG 或 BCI 任务有效。