8
0睡眠是一项贯穿生命的基本生理过程，对人类的身心健康具有广泛而深刻的影响。然而，我们对睡眠与各类疾病之间复杂关系的认知仍十分有限。多导睡眠监测（Polysomnography, PSG）作为睡眠分析的“金标准”，能够同步捕捉包括脑电活动（BAS，包括脑电图EEG和眼电图EOG）、心电图（ECG）、肌电图（EMG）和呼吸信号在内的丰富多模态生理信号，为深入探索睡眠的奥秘提供了宝贵的数据基础。
尽管PSG数据蕴含着巨大的信息量，但其在临床研究和应用中仍面临着诸多核心挑战。现有研究方法在标准化、泛化能力和多模态信号整合方面存在明显不足。此外，当前大多数先进模型严重依赖于专家手动标记的数据进行监督学习，这不仅限制了研究的规模，还引入了评估者之间的主观差异，使得模型难以扩展和有效泛化。因此，亟需一种能够克服上述局限性、可扩展性强且标签高效的创新分析方法，以充分释放PSG数据的临床价值。
1.2 SleepFM：新一代睡眠分析基础模型
SleepFM是一个旨在应对传统睡眠分析挑战的变革性基础模型，它通过先进的自监督学习范式，为理解睡眠与健康开辟了新的途径。该模型利用了迄今为止规模最大的多中心睡眠数据集，其关键技术特征和训练规模如下：
• 海量训练数据: 在一个精心策划的数据集上进行训练，该数据集包含来自超过65,000名参与者的逾585,000小时的PSG录音。
• 创新的模型架构: 采用独特的“通道不可知”（channel-agnostic）架构，使其能够灵活处理来自不同临床环境、具有不同通道配置的PSG数据，解决了数据标准化的核心难题。
• 前沿的学习方法: 利用创新的“留一法对比学习”（Leave-One-Out Contrastive Learning, LOO-CL）算法进行自监督学习，有效整合多模态生理信号，从未标记数据中学习睡眠的深层生理表征。
SleepFM在基础睡眠分析任务上表现出卓越的性能。在睡眠分期这一核心任务上，SleepFM的F1分数可与甚至超越了包括U-Sleep在内的多种当前最先进的专用模型。
