論文解讀

睡眠作為人體重要的生理修復過程，全球約37.5%人群卻飽受失眠、睡眠呼吸暫停等障礙困擾。傳統基于多導睡眠圖（PSG）的視覺分期方法依賴專家經驗，存在主觀性強、效率低下等問題。盡管深度學習在單中心睡眠分期中取得進展，但臨床面臨兩大瓶頸：一是倫理限制導致樣本稀缺，二是多中心數據因患者分布差異存在異質性�，F有集中式訓練模式更因隱私法規受限難以實施，使得先進算法難以落地。

為此，研究人員提出了一種基于聯邦學習（FL）的分布式解決方案。通過整合三個公開數據庫（Sleep-EDF、SHHS等）模擬多中心場景，構建了包含CNN特征提取器與Transformer編碼器的混合模型，并設計抗類別比率（ACR）損失函數解決分期不平衡問題。關鍵技術包括：1）FL框架實現模型權重聚合而非原始數據交換；2）單通道腦電圖（EEG）輸入降低操作復雜度；3）多分辨率CNN與注意力機制捕捉睡眠動態特征。

性能對比基準方法
在SHHS數據集上，聯邦學習以80.58%準確率顯著優于本地學習（76.32%），且逼近集中式學習的81.04%。特別在易混淆的N1期識別中，FL的F1分數提升達9.2%，驗證了跨中心知識遷移的有效性。

討論與結論
該研究首次將FL引入睡眠分期領域，證明在數據不足時，FL能突破單中心數據局限，同時滿足《通用數據保護條例》（GDPR）要求。CNN-Transformer架構通過局部特征與全局時序建模的協同，解決了PSG信號中類間相似性難題。ACR損失函數無需增加計算量即可緩解樣本失衡，使N1期召回率提升15.7%。

這項發表于《Biomedical Signal Processing and Control》的工作，為分布式醫療AI提供了范式：既規避了數據跨境傳輸的法律風險，又通過知識共享提升了小樣本機構的模型性能。未來可探索聯邦遷移學習應對更大規模異質數據，推動睡眠醫學的普惠化發展。