SleepFM：跨 ECG、EEG 与呼吸信号的睡眠多模态表征学习

基于摘要分析。该研究面向睡眠生理信号的多模态表征学习，提出 SleepFM，通过对比学习联合建模同步采集的 EEG、ECG 与呼吸信号，供睡眠分期和呼吸暂停检测等任务使用。主要研究对象是睡眠 PSG 数据及其表征，而非直接的 BCI 控制任务。 数据与机制：作者整理了来自超过 14,000 名参与者、累计超过 100,000 小时的同步 PSG 记录，并将 SleepFM 定位为睡眠多模态基础模型。方法引入 leave-one-out 对比学习；作者报告，相较标准成对对比学习，该策略获得的表征可改善下游任务表现。摘要未交代其具体正负样本构造、模态聚合方式、损失形式及训练规模细节，尚不能据此还原算法。 结果：作者报告，在留出测试集上，检索表现超过随机水平的 500 倍，但检索指标、候选集合及随机基准定义尚未验证。基于学习到的嵌入训练逻辑回归，睡眠分期达到 macro AUPRC 0.69，呼吸暂停检测达到 AUPRC 0.71；摘要所列端到端 CNN 对应结果分别为 AUPRC 0.579 与 0.56。分期基线是否采用相同宏平均口径，以及各任务的数据划分、类别设置和统计信息均需核对，不能将这些指标解读为 Accuracy，也不能据此认定跨被试或跨数据集泛化。 复现重点是确认同步窗口与模态配对规则、leave-one-out 的具体实现、参与者划分、预处理和下游分类器训练条件。实验协议、消融及统计信息尚未验证，模型权重与代码可用性也未在摘要中说明。 平台推测（待验证）：同步多模态监督可能有助于学习 EEG 与心肺活动之间的共享睡眠状态，但这不等于已证实的 BCI 收益。若评估其对 EEG 单模态睡眠分析的价值，需确认推理是否依赖全部模态，并检验低信噪比、通道变化和跨被试差异带来的退化。可在固定被试划分与标注量下，对比 leave-one-out、成对对比学习和 EEG 单模态预训练，并测试缺失 ECG 或呼吸信号时的性能；相关 EEG 工作尚未检索确认。