大鼠睡眠分期不再怕换药：只用生理盐水训练，换到致幻剂条件F1只掉不到1%

四类睡眠分期（清醒、NREM、REM、伪迹）的自动判读在大鼠多药物实验数据上达到94.3%的F1，且在不同留出个体之间波动很小。 此前的自动分期模型多在保留训练分布的随机划分上评估，对未见个体和药物条件造成的结构化分布偏移缺少系统检验。 在13只Long-Evans大鼠、超过110万个4秒标注片段上做按个体留出的5折交叉验证，完整模型取得94.4%准确率、94.3%F1和0.993的ROC-AUC，各折标准差低于1%。

只用生理盐水记录训练，模型在致幻剂条件下的表现几乎不降，说明学到的表征能跨处理条件迁移。 按常规做法，训练集包含全部处理条件时才能得到上述全数据集基线。 在同一按个体留出的折结构下把训练限制为生理盐水记录，再在留出动物的各药物条件下评估，所有指标下降不到1%；按条件看，裸盖菇素下F1为0.932，MDL100907下为0.946，联合条件为0.939。

性能提升主要来自一个跨时间序列保存全局信息的记忆向量，以及按睡眠阶段组织嵌入空间的对比损失。 去掉全局上下文向量后F1下降2.3%，对应25.3%的错误率降幅；去掉监督对比学习后F1下降0.6%，对应8.2%的错误率降幅。 消融实验显示全零初始化的全局上下文向量优于手工特征初始化和可学习初始化；通过梯度反转层加入的域适应几乎不带来额外收益，因此默认模型不含该组件。

模型在少量标注下即可接近全量训练的效果，降低了新药物实验的标注负担。 全数据集训练得到0.943的F1，而此前需要大量逐片段人工判读才能支撑这样的性能。 仅用1小时标注训练时F1为0.832，8小时升到0.921，12小时为0.919，24小时为0.918；8至12小时约相当于全数据集的1%，F1只比全量训练低2.4%。

结果来自单一实验室的成年雄性Long-Evans大鼠数据，采用四通道EEG/EMG记录和四类判读，药物条件为裸盖菇素、MDL100907及其联合与生理盐水对照。跨条件迁移的结论限于共享血清素能机制的化合物；对GABA能、多巴胺能或谷氨酸能药物是否同样稳健，原文列为待检验的问题。上下文分类器最长处理约34分钟窗口，无法覆盖完整睡眠周期。完整数据集因属于进行中的研究暂不公开，仅提供代表性样本、注释与元数据，代码与训练权重已公开。

原文指出，仅用生理盐水训练时残留的不到1%性能下降部分可归因于训练集变小，而非无法处理药物分布偏移；与等规模随机子样本的比较支持这一解释。逐条件结果中裸盖菇素下表现最低，与它抑制REM、改变θ频段动态有关。线性探针显示受试者身份与处理条件仍略高于随机水平可解码，说明干扰因素只是大部分被抑制。作者还指出，逐受试者的幅度归一化在药物显著改变各阶段比例时可能引入系统性偏差，混合z-score可作为预处理补充。逐窗口显著性图只定位模型依赖的时刻，未分离跨epoch的信息流向。