SingleChannelNet：基于原始单通道 EEG 的自动睡眠分期模型

基于摘要分析。该研究针对睡眠分期中手工特征依赖、多模态 PSG 输入及计算成本问题，提出端到端深度神经网络 SingleChannelNet，从原始单通道 EEG 自动学习用于睡眠阶段分类的特征。其主要研究对象是睡眠分期，而非 BCI 控制或交互任务。 核心机制：摘要称模型采用 90 秒片段作为输入，通过两个 multi-convolution（MC）模块和若干 max-average pooling（M-Apooling）层学习不同尺度的特征表示。摘要将输入称为“textual input”，这一表述与原始 EEG 输入的关系尚需核对，不能据此认定存在文本模态。具体卷积配置、池化组合、损失函数、训练策略及输出标签与输入片段的对应方式尚未验证。 数据与结果：作者在 CCSHS（Cleveland children’s sleep and health study）和 Sleep-EDF（Sleep-EDF database expanded）两个公开 PSG 数据集上评估模型，涉及 C4/A1 与 Fpz-Cz 单通道 EEG。按摘要中总体 Accuracy 与 Cohen’s kappa 的指标顺序，作者报告 CCSHS 上分别为 90.2% 和 86.5%，Sleep-EDF 上分别为 86.1% 和 80.5%；其中 Kappa 保留摘要的百分数表达，不与 Accuracy 混用。作者称结果优于所比较的先进方法，但摘要未提供具体基线、被试数量、数据划分及被试内或跨被试评估协议，因此不能据此判断跨被试泛化能力或直接比较两数据集的难度。 适用范围与复现条件：作者报告模型能够在不同采样率的单通道 EEG 上自动学习特征，无需手工设计特征；这并不等同于已验证跨数据集迁移。复现时需核对采样率与预处理、90 秒输入的构造及标签对齐、训练测试划分、类别分布和基线设置。实验协议、消融及统计信息尚未验证，代码与权重可用性也未由所给材料确认。