在超过110万个标注片段的大鼠EEG/EMG数据上，一套面向鲁棒性的深度学习流程把四类睡眠分期做到94.3%的F1，比SlumberNet的87.0%和随机森林的87.9%分别高7.3和6.4个百分点。此前多数自动分期模型用保留同一分布的随机划分评估，遇到新个体或药物造成的分布偏移就会明显退化。该流程用全局上下文向量、监督对比学习和双分支分类器学习对个体与处理条件不敏感的表征，只用生理盐水记录训练、在未见动物身上测试时，各项指标下降不到1%。
睡眠分期长期依赖固定电极组合和30秒一帧的人工标注，跨中心、跨设备的研究难以统一。AnySleep用通道注意力把任意数量的脑电和眼电通道动态融合，在28个数据集、20589份整夜记录上训练与验证，30秒分期性能达到或略超U-Sleep，缺眼电或只剩单通道时仍保持较高水平。把输出时间分辨率提高到秒级后，模型预测的清醒片段与专家标注的微觉醒重叠比例从30秒分期的7.7%升到约2秒时的57.7%。
这篇评论梳理了近期已发表的睡眠基础模型，比较其训练队列、评估框架与报告性能，并在一组独立的1型发作性睡病患者（n=51）与健康对照（n=28）队列上以不微调方式测试了一个现有睡眠基础模型，发现零样本睡眠分期表现一般且低于同队列的监督方法，脑电睡眠图（PSG）嵌入在人口学基线之上对疾病分类的增益很小，据此认为睡眠基础模型尚不适合临床部署。
已读完全部报道