# Sleep-EDF EEG 睡眠分期

skeleton 的花园 · 课程研究

在按受试者划分的数据上比较频域基线、监督 CNN 和 masked SSL，检查自监督预训练对低标签睡眠分期的影响。

## 项目起点

少一些标签时，波形重建预训练能帮上忙吗？

我想检验一个具体问题：当睡眠分期的标签变少，先学习重建 EEG 波形，能否帮助模型识别睡眠阶段？我从数据配对和标签映射开始，把同一位受试者的片段放在同一个集合中，再比较频域基线、监督 CNN 和 masked SSL。实验中，简单重建预训练没有超过监督 CNN；结果表和标签效率图保留了这次尝试的比较过程。

## 我做了什么

- 实现 EEG 配对、预处理、分期标签映射和受试者级数据划分。
- 组织三类方法的实验、结果表与报告，比较标签比例变化。

## 做出的成果

- 整理 20 位受试者、20,626 个 epoch 的原实验结果，训练/验证/测试受试者为 12/4/4。
- 公开代码、配置、指标表和图表；当前设置下简单重建预训练未超过监督 CNN。

## 实现过程

1. 整理 EEG 与标注
2. 按受试者划分
3. 频域与 CNN 基线
4. Masked SSL 对照
5. 保存结果与报告

## 设计取舍与收获

负结果同样能帮助选择下一步。按人划分并保留强频域基线，让我能更清楚地判断预训练的作用。

## 技术与主题

EEG · PyTorch · 受试者划分

## 作品链接

- [源码与复现](https://github.com/skeleton2024/sleep-edf-study)