基于自适应重聚合与双原型对比学习的单通道脑电联邦睡眠分期方法

为解决跨机构睡眠数据隐私保护与模型泛化性能的矛盾，研究人员提出一种基于自适应重聚合策略（adaptive re-aggregation）和双原型对比学习（PCC/PDC）的联邦学习方法，通过融合全局模型与历史局部模型初始化参数，显著降低灾难性遗忘并提升单通道脑电（EEG）睡眠分期准确性，实验证明其在Sleep-EDFx和SHHS数据集上优于现有方法，为医疗AI协作提供新范式。

　　

睡眠质量与人类健康密切相关，但睡眠障碍的精准诊断长期依赖专家手动分析多导睡眠图（PSG），耗时且易受主观影响。近年来，基于单通道脑电（EEG）的自动睡眠分期技术因便携性优势成为研究热点，但单个医疗机构的数据量不足导致模型性能受限。传统联邦学习虽能实现跨机构数据协作，但其全局模型初始化策略易引发局部知识遗忘，且睡眠阶段间的高相似性（如N1与REM期）进一步加剧分类混淆。

针对上述问题，北京某高校的研究团队在《Engineering Applications of Artificial Intelligence》发表论文，提出融合自适应重聚合与双原型对比学习的联邦睡眠分期框架。该方法通过动态加权融合全局模型与历史局部模型参数初始化本地训练，结合原型一致性对比（PCC）和原型区分性对比（PDC）模块，显著提升模型对异构数据的适应性。研究采用Sleep-EDFx和SHHS公开数据集验证，结果显示其宏F1分数较基线方法提升5.2%，且在不同骨干网络（CNN/LSTM）中均表现稳定。

关键技术包括：1）自适应重聚合策略，基于模型置信度动态调整全局与历史局部模型的融合权重；2）双原型对比学习模块，PCC约束局部原型与无偏原型的对齐，PDC强化跨阶段原型分离；3）联邦学习框架下使用单通道EEG数据，避免原始数据共享。

研究结果：

1. 自适应重聚合的有效性：通过消融实验证实，融合历史局部模型的初始化策略使局部测试准确率提升3.8%，缓解全局知识主导问题。
2. 双原型对比学习的作用：PCC使同类样本嵌入空间距离缩小21%，PDC使异类样本相似度降低34%，显著改善N1期识别率。
3. 跨数据集泛化能力：在SHHS数据集的跨中心测试中，该方法宏F1分数达82.3%，优于FedAvg等基线模型。

结论与讨论：该研究首次将原型对比学习引入联邦睡眠分期任务，通过知识协同与特征解耦的双重优化，突破数据隐私与模型性能的权衡瓶颈。局限性在于未考虑多模态信号融合，未来可探索呼吸、血氧等辅助特征嵌入。这项工作为医疗AI的分布式协作提供可扩展方案，尤其适用于穿戴设备场景下的个性化睡眠健康管理。