基于多级掩码与提示学习的资源高效睡眠分期

自动睡眠分期在评估睡眠质量和诊断睡眠障碍方面发挥着关键作用。大多数现有方法依赖较长且持续的EEG记录，这在资源受限系统（如可穿戴或居家监测系统）中进行数据获取时提出了重大挑战。本文提出了一个资源高效睡眠分期任务，旨在在保持可靠分类性能的同时，减少每个睡眠周期收集的信号量。为解决此任务，我们采用掩码和提示学习策略，提出了一个新型框架称为掩码感知睡眠分期（Mask-Aware Sleep Staging, MASS）。具体而言，我们设计了多级掩码策略，以促进在部分和不规则观察情况下的有效特征建模。为缓解掩码引入的上下文信息丢失，我们进一步提出了层次化提示学习机制，将未掩码的数据聚合为全局提示，作为语义锚点，用于指导patch级别和周期级别的特征建模。MASS在四个数据集上进行评估，实现了最先进的性能，尤其在数据非常有限的情况下效果更佳。这一结果突显了其在实际低资源睡眠监测环境中的高效和可扩展部署潜力。