睡眠生理學源於中樞神經系統（CNS）和自主神經系統（ANS）的協調動態，這體現在包括腦電圖（EEG）、眼電圖（EOG）、肌電圖（EMG）、心電圖（ECG）和呼吸訊號的多模態多導睡眠圖（PSG）訊號中。然而，現有的睡眠基礎模型通常以拓撲無關的方式融合這些異質生物訊號，忽略了它們背後的生理組織結構。針對這一缺陷，研究者提出了Omni-Sleep模型，這是一種利用CNS和ANS的生理分割槽作為先驗知識、進行拓撲約束表示學習的睡眠基礎模型。
Omni-Sleep透過三個精心設計的目標來學習結構化的表示：系統內一致性，旨在捕獲神經訊號與心肺訊號內部共享的子系統級因素；系統間同步，透過對齊子系統軌跡來建模腦-體之間的動態互動；以及潛空間掩碼時間建模，用於捕獲長期睡眠動態。這三個目標共同作用，使得模型能夠深入理解睡眠過程中的生理層次結構。
Omni-Sleep在超過10萬小時的多中心多模態PSG資料上進行了預訓練，並針對睡眠分期和多疾病分類任務進行了全面評估。實驗結果表明，在跨資料集和模態消融的設定下，Omni-Sleep均優於多個強基線模型，展現出更優的標註效率、跨資料集泛化能力以及對缺失模態的魯棒性。這些成果凸顯了生理層次結構對於構建可泛化睡眠表示學習的重要性。
研究團隊已將程式碼開源至GitHub（https://github.com/AutoBrain-sleep/OmniSleep），這將推動睡眠分析領域的發展。該工作為利用生理先驗知識構建更通用、更魯棒的睡眠分析模型開闢了新途徑，有望在臨床睡眠診斷、神經科學研究和可穿戴健康裝置中發揮重要作用。