AI 與世界的難題 · 醫學與藥物探索 · Nature (computational biology) · 2026-10-24
一種基於 Transformer 的自適應模型，結合熵驅動知識蒸餾，用於單通道 EEG 快速動眼期睡眠偵測
原標題: An adaptive transformer-based model with entropy-driven knowledge distillation for single-channel EEG REM sleep detection
從單一 EEG 通道偵測快速動眼期（REM）睡眠，對於神經生理監測以及早期識別睡眠相關疾患相當重要。作者提出一種輕量級 Transformer，並以熵驅動的自適應知識蒸餾方法進行訓練，該方法會依據教師模型與學生模型之間的熵來調整溫度縮放與蒸餾權重。在三個公開資料集上，採用受試者獨立交叉驗證，其表現優於 CNN、LSTM 與標準 Transformer 基準模型，平均準確率達 93.2%，F1 分數為 92.8%，而經蒸餾的學生模型將訓練時間與記憶體使用量減少約 30%。