睡眠脑电图基础模型揭示了各阶段的微观结构，这使得健康筛查能够超越传统的分级方式

《npj Digital Medicine》：Sleep EEG foundation models reveal within-stage microstructure that improves health screening beyond traditional stages

　　

摘要

睡眠生理学能够提供丰富的纵向生物信号，这些信号反映了大脑与全身系统的综合生理状态，然而多导睡眠图通常被简化为人为定义的粗略阶段。我们探讨了自我监督基础模型是否能够学习到超越传统分期的睡眠脑电图结构，并以此编码更丰富的健康信息。利用11,261份夜间睡眠记录，我们在未标记的睡眠数据上训练了变换器模型，并分析了其在诊断、人口统计及功能指标方面的表现。与针对每项下游任务从随机初始值开始训练的相同架构的变换器模型相比，自我监督预训练提升了多项指标的表现。与五阶段监督预训练相比，仅基于脑电图的模型在体重指数和年龄指标上的优势最为明显，而在睡眠呼吸暂停指数、性别以及功能指标方面的差异则较小、不显著或不可靠。在嵌套对照实验中，基于脑电图的自我监督模型得分仍具有超出协变量、阶段总结、频谱总结以及匹配的五阶段表示之外的额外价值。嵌入分析表明，这些模型能够在无需标签的情况下还原出阶段框架，同时保留更高分辨率、以阶段为基准的结构，从而携带超出五阶段分类体系之外的任务特定健康信息。