核心贡献：首次将域泛化系统引入睡眠分期任务，提出面向跨数据集泛化的 SleepDG 框架。

研究背景与核心问题

睡眠分期的现实痛点

自动睡眠分期是临床睡眠障碍诊断的核心环节，但现有深度学习模型存在严重的「泛化困境」：

1. 同数据集内表现好，跨数据集性能暴跌：现有模型大多在单一数据集上训练测试，一旦换一家医院、换一批受试者、换一种采集设备，数据分布发生变化，准确率会大幅下降。
2. 域偏移来源复杂：不同数据集之间，受试人群、电极通道位置、采样率、设备型号、标注医师习惯都存在差异，共同导致了显著的域偏移。
3. 临床落地的刚需：临床场景中不可能为每个新医院、每台新设备重新采集标注数据、训练模型，模型必须具备「训练好就能直接用」的泛化能力。

现有方法的本质缺陷

1. 域适应（DA）方法的局限：过往跨数据集研究多采用域适应思路，但该方法要求训练时能访问目标域数据，而临床中目标场景的数据往往是不可见的，不符合真实落地需求。
2. 传统域泛化（DG）方法的不足：通用域泛化方法只做「单样本级的特征对齐」，针对的是图像这种独立样本分类任务。但睡眠分期是序列到序列任务，不仅单段睡眠的波形特征重要，段与段之间的时序过渡规律同样是分期的关键依据。传统 DG 只对齐了「点」，忽略了「线」，无法完全消除序列层面的域偏移。

本文要解决的核心问题

如何在训练阶段完全不接触目标数据集的前提下，让睡眠分期模型在全新的未见数据集上仍保持高性能？

本文给出的答案是：从单级对齐升级为多级特征对齐，同时对齐单段睡眠的局部特征和睡眠序列的全局时序规律。

核心创新点

本文的核心贡献可以归纳为「一个新任务 + 一个新框架 + 两级新对齐」，其中最核心的创新是多级域对齐机制。

创新 1：任务层面 —— 首次正式定义「泛化型睡眠分期」任务

• 首次将域泛化范式系统引入睡眠分期领域，明确了「多源数据集训练、单未见数据集测试」的标准实验设定（留一数据集交叉验证）。
• 明确定义：单个睡眠数据集对应一个域，跨数据集分布差异对应域偏移，模型目标是从多个源域学习域不变特征，直接在未见目标域上取得高精度。
• 该任务设定更贴合临床真实落地场景，为后续睡眠分期泛化研究提供了统一的基准范式。

创新 2：方法层面 —— 提出「多级特征对齐」核心机制（最核心创新）

针对睡眠分期的序列特性，本文将特征对齐从单维度升级为两个层级，共同消除域偏移：

（1）时段级特征对齐（Epoch-level）：消除单样本的域偏移

• 对齐对象：每个 30 秒睡眠时段（epoch）的特征边缘分布。
• 核心思路：对齐不同数据集之间特征的一阶统计量（均值）和二阶统计量（协方差），让不同域的同一种睡眠阶段，在特征空间里的数值范围、分布形态保持一致。
• 作用：解决「同一睡眠阶段，在不同数据集里特征数值尺度不一样」的问题，让模型不再依赖数据集的整体数值风格判断，而是聚焦波形本身的语义特征。
• 本质：继承并改进了经典 DG 方法（CORAL、MMD）的思想，是域泛化的基础操作。

（2）序列级特征对齐（Sequence-level）：消除时序规律的域偏移

• 对齐对象：睡眠序列中，时段与时段之间的关联模式（条件分布）。
• 核心思路：用皮尔逊相关系数量化一条睡眠序列内各个时段特征的相互关联，得到「时序关联矩阵」；再让不同数据集的平均时序关联矩阵尽可能相似。
• 作用：解决「不同数据集的睡眠过渡节奏、相邻阶段相关性不一样」的问题，让模型忘掉不同数据集的叙事节奏差异，只学习通用的睡眠阶段转换生理规律。
• 本质：这是本文最具独创性的设计 —— 首次将域对齐从「单样本分布」拓展到「样本间的时序关系分布」，完美匹配了睡眠分期的序列属性。

创新 3：架构层面 ——AE+CNN+Transformer 的统一编码框架

• 采用「CNN 提取时段内局部特征 + Transformer 提取时段间全局时序特征」的两级编码结构，同时捕捉局部波形特征和全局上下文信息，符合睡眠分期的生理特点。
• 引入自编码器（AE）的重构损失作为辅助约束，保证编码后的特征保留了原始信号的核心信息，避免对齐过程中丢失有效语义。

方法整体流程

特征编码模块

输入是连续 L 个睡眠时段的脑电 + 眼电信号，经过两级编码得到特征序列：

1. CNN 局部编码：对每个 30 秒时段单独做卷积，提取频域、波形层面的局部特征，每个时段输出一个特征向量。
2. Transformer 全局编码：将 L 个时段的特征向量输入 Transformer，通过自注意力建模时段之间的依赖关系，输出融合了上下文的序列特征。
3. 自编码器重构：用解码器从特征还原原始信号，用重构损失约束特征的保真度。

两级对齐机制

在编码得到的特征上，同时施加两种对齐约束：

1. 时段级对齐：统计每个域所有时段特征的均值和协方差，最小化不同域之间的统计量差异。
2. 序列级对齐：统计每个域所有序列的时段间相关系数矩阵，最小化不同域之间的平均相关矩阵差异。

多损失联合训练

总损失由三部分加权组成，端到端联合优化：

1. 分类损失：交叉熵损失，保证睡眠分期的分类精度，是主任务损失。
2. 重构损失：MSE 损失，保证特征的信息完整性，是辅助约束。
3. 对齐损失：时段级对齐损失 + 序列级对齐损失，保证域不变性，是泛化能力的核心来源。

核心实验结论

1. 整体性能 SOTA：在 5 个公开睡眠数据集的留一验证设置下，SleepDG 在所有测试场景中均优于传统睡眠分期模型和经典域泛化方法，平均准确率比基线模型提升 6.27%，大幅刷新了跨数据集泛化的性能纪录。
2. 消融实验验证了多级设计的有效性：
   • 单独加时段级对齐，性能提升 3.57%；单独加序列级对齐，性能提升 2.37%；
   • 两者结合的多级对齐，性能提升 6.27%，存在明显的增益叠加效应，证明两级对齐分别解决了不同层面的域偏移。
3. 特征可视化直观佐证：t-SNE 可视化显示，经过多级对齐后，不同域的同阶段特征紧密聚集，不同阶段清晰分离，证明模型确实学到了与数据集无关的、纯语义的域不变特征。

思考与启发

论文的核心价值

1. 范式价值：确立了睡眠分期领域域泛化任务的标准设定，后续相关研究基本都沿用了该实验框架。
2. 方法价值：提出的「多级对齐」思路具有很强的可迁移性 —— 所有时序类信号的域泛化问题（如情感脑电、运动想象脑电），都可以借鉴「单样本对齐 + 时序关系对齐」的两级框架。
3. 衔接价值：这是赵莎老师团队从「单任务域泛化」走向「多任务基座大模型」的关键铺垫。后续的 CBraMod 本质上是把这种「对齐 + 泛化」的思路从单任务、单模态，拓展到了多任务、多通道、多场景的通用脑电解码。

局限与延伸思考

1. 对齐仍基于统计量匹配，属于显式特征对齐；后续大模型更多采用大规模预训练 + 自监督学习的方式隐式学习泛化特征，泛化边界更宽。
2. 仅针对睡眠分期单任务设计，未验证该多级对齐思路在其他脑电任务上的通用性。
3. 通道适配能力有限，仅支持单通道 EEG + 单通道 EOG；而 CBraMod 等基座模型进一步解决了任意通道数的自适应匹配问题。