睡眠障碍识别中的预训练表征比较

基于摘要分析。研究关注多导睡眠监测（PSG）预训练表征能否支持睡眠分期之外的临床障碍识别，并比较自监督 PSG 基础模型与睡眠分期监督预训练编码器。主要贡献是将不同来源的冻结表征置于统一下游框架，检验预训练规模与模态覆盖变化时的性能排序。 技术上，研究采用面向整夜记录、具有缺失感知能力的状态空间下游建模框架，在未见过的登记数据库所含 7,906 份 PSG 上，开展六类睡眠–觉醒及昼夜节律障碍组的多标签识别。比较对象包括大规模、多队列睡眠分期监督编码器与自监督 PSG 基础模型；冻结表征的设置用于比较其迁移用途。具体模型名称、输入模态组合、缺失处理机制、训练目标及数据划分尚未验证，PSG 记录数也不能等同于独立被试数。 作者报告：自监督 PSG 基础模型优于仅使用 EEG、基于单一队列预训练的监督基线；但当监督预训练的规模与模态覆盖接近可比水平时，性能排序反转。作者还报告，来自神经网络睡眠分期模型的迁移学习取得更高的总体性能，并表现出更高的下游数据效率。摘要未提供具体指标、效应大小或数据效率曲线，因此不能量化优势，也不能据此判断各障碍类别的识别表现。 该结果支持作者提出的评估要求：考察 PSG 基础模型的下游潜力时，应纳入规模与模态匹配的监督预训练基线。复现时需核对预训练与登记数据库的独立性、下游划分、标签定义、各模型模态覆盖及统一框架的训练设置；实验协议、消融及统计信息尚未验证。研究对象是睡眠相关临床障碍识别，不能将其结果直接视为 BCI 解码有效性的证据。