Omni-Sleep：通过中枢神经系统与自主神经系统动态的分层对比学习实现的睡眠基础模型
Omni-Sleep是一种新的睡眠基础模型，利用中枢神经系统（CNS）和自主神经系统（ANS）的生理分区作为先验，进行拓扑约束的表示学习。该模型通过三个目标学习结构化表示：系统内一致性、系统间同步和潜空间掩码时间建模。在超过10万小时的多中心多模态PSG数据上预训练后，Omni-Sleep在睡眠分期和多疾病分类任务中优于强基线模型，展现出更好的标签效率、跨数据集泛化能力以及对缺失模态的鲁棒性。
睡眠生理学源于中枢神经系统（CNS）和自主神经系统（ANS）的协调动态，这体现在包括脑电图（EEG）、眼电图（EOG）、肌电图（EMG）、心电图（ECG）和呼吸信号的多模态多导睡眠图（PSG）信号中。然而，现有的睡眠基础模型通常以拓扑无关的方式融合这些异质生物信号，忽略了它们背后的生理组织结构。针对这一缺陷，研究者提出了Omni-Sleep模型，这是一种利用CNS和ANS的生理分区作为先验知识、进行拓扑约束表示学习的睡眠基础模型。
Omni-Sleep通过三个精心设计的目标来学习结构化的表示：系统内一致性，旨在捕获神经信号与心肺信号内部共享的子系统级因素；系统间同步，通过对齐子系统轨迹来建模脑-体之间的动态交互；以及潜空间掩码时间建模，用于捕获长期睡眠动态。这三个目标共同作用，使得模型能够深入理解睡眠过程中的生理层次结构。
Omni-Sleep在超过10万小时的多中心多模态PSG数据上进行了预训练，并针对睡眠分期和多疾病分类任务进行了全面评估。实验结果表明，在跨数据集和模态消融的设置下，Omni-Sleep均优于多个强基线模型，展现出更优的标注效率、跨数据集泛化能力以及对缺失模态的鲁棒性。这些成果凸显了生理层次结构对于构建可泛化睡眠表示学习的重要性。
研究团队已将代码开源至GitHub（https://github.com/AutoBrain-sleep/OmniSleep），这将推动睡眠分析领域的发展。该工作为利用生理先验知识构建更通用、更鲁棒的睡眠分析模型开辟了新途径，有望在临床睡眠诊断、神经科学研究和可穿戴健康设备中发挥重要作用。