SleepMaMi：用于整合宏观与微观结构的通用睡眠基础模型
人工智能
2026-02-10 v1 机器学习
摘要
尽管统一基础模型的转变在许多深度学习领域取得了革命性进展，但睡眠医学仍主要受限于针对局部微观结构特征的任务特定模型。这些方法常常忽略多模态Polysomnography（PSG）的丰富上下文，无法捕捉整个夜晚睡眠的全局宏观结构。为此，我们提出SleepMaMi，这是一种专为掌握数小时睡眠架构和细粒度信号形态而设计的睡眠基础模型。我们的框架采用分层双编码器设计：Macro-Encoder用于建模整个夜晚的时序依赖关系，Micro-Encoder用于从生物信号中捕捉短期特征。Macro-Encoder通过人口统计指导的对比学习进行训练，这种学习方式将夜间睡眠模式与客观主体元数据（如年龄、性别和BMI）对齐，以细化全局表示。Micro-Encoder通过混合掩码自编码器（MAE）和多模态对比目标进行优化。在超过20,000个PSG记录（158,000小时）的大型语料库上进行预训练后，SleepMaMi在多样化的下游任务上超越了现有的基础模型，显示出卓越的通用性和标签效率，适用于临床睡眠分析。
引用
@article{arxiv.2602.07628,
title = {SleepMaMi: A Universal Sleep Foundation Model for Integrating Macro- and Micro-structures},
author = {Keondo Park and Younghoon Na and Yourim Choi and Hyunwoo Ryu and Hyun-Woo Shin and Hyung-Sin Kim},
journal= {arXiv preprint arXiv:2602.07628},
year = {2026}
}
备注
8 pages, Appendix 9 pages