基于单通道 EEG 记录稀疏有理分解的睡眠分期分类
基于摘要分析。该研究面向单通道 EEG 的离线、患者特异性睡眠分期，提出结合 Generalized Rational Discrete Short Time Fourier Transform（RDSTFT）与 Basis Pursuit（BP）的稀疏信号表示方法，并以子带能量特征进行分类。 核心流程是先利用 RDSTFT 频谱的极点和系数，将信号分解为多个频率子带；随后在这些子带上应用 BP 获得稀疏表示；最后提取各子带的总能量作为特征，输入 random forests（RF）分类器。方法的阅读价值在于把时频分解、稀疏表示与能量特征连接起来，而非依赖多通道输入。具体子带设置、极点估计方式、BP 优化细节及 RF 配置尚未验证。 作者报告，在涵盖 39 名被试、超过 670 小时睡眠 EEG 的评估中，使用每段睡眠记录的 25% 训练 RF，测试集总体 Accuracy 为 92.50%。这一结果属于离线、患者特异性设置，不能视为 Cross-subject 或 Cross-dataset 表现；摘要未明确训练片段的抽取方式、测试集构成及是否按连续时间块划分。作者报告，与其他先进方法的比较支持该稀疏分解方法的有效性，但具体基线、对照协议及差异幅度尚未验证。 复现时需核对数据集、单通道选择、睡眠分期标签体系、预处理和分窗方式，以及训练与测试划分、类别分布、各类别指标和统计信息。应重点检查 BP 稀疏化相对不使用 BP 的 RDSTFT 能量特征是否带来稳定增益；这是待验证的问题，而非对原论文消融是否充分的判断。该工作直接涉及 EEG 睡眠信号分析，但所给材料并未验证其对其他 BCI 任务的适用性。
阅读价值：值得核对和复现的是 RDSTFT 子带分解与 Basis Pursuit 稀疏化能否提供有效的单通道 EEG 睡眠分期特征，但作者报告的准确率限于离线、患者特异性评估，不能直接推及跨被试泛化。