SleepMaMi：融合宏观与微观结构的通用睡眠基础模型

尽管向统一基础模型的转变已经革新了许多深度学习领域，睡眠医学在很大程度上仍局限于关注局部微观结构特征的任务专用模型。这些方法往往忽视多导睡眠图（PSG）丰富的多模态背景，无法捕捉整夜睡眠的全局宏观结构。为解决这一问题，我们提出SleepMaMi，一个旨在同时掌握长达数小时的睡眠架构与细粒度信号形态的睡眠基础模型。我们的框架采用分层双编码器设计：Macro-Encoder用于建模整夜时间依赖关系，Micro-Encoder用于从生物信号中捕捉短期特征。Macro-Encoder通过人口统计学引导的对比学习（Demographic-Guided Contrastive Learning）进行训练，该方式将整夜睡眠模式与年龄、性别、BMI等客观受试者元数据对齐，以优化全局表示。Micro-Encoder通过掩码自编码器（MAE）与多模态对比目标相混合的目标进行优化。在超过20,000份PSG记录（158K小时）的大规模语料上预训练后，SleepMaMi在多样化的下游任务套件中优于或持平现有最先进的基础模型，展现出卓越的泛化性以及面向临床睡眠分析的标签高效适应。