用无标注睡眠信号训练的冻结编码器
SleepFM-2 是一个基础模型：先在大规模无标注记录上训练网络，使其内部表征之后可以复用于多种任务。预训练语料为 235,865 份多导睡眠图记录，完整的开发与评估集覆盖 26 个队列的 282,511 份记录，包含超过两百万小时的脑、心、肌肉和呼吸信号。多导睡眠图（PSG）是临床睡眠测量的金标准，整夜同步记录这些模态。
关键设计选择是：多数评估只读取冻结编码器。编码器权重不更新，只在嵌入之上训练一个小型任务专用头。这对解读很重要：当模型预测某种疾病或某个睡眠事件时，结果反映的是预训练表征本身已经包含的信息，而不是任务专用微调可能额外带来的信息。论文还报告，SleepFM-2 相比 SleepFM 缩小了模型规模，并把时间分辨率从五秒提升到一秒，这一改动使它能够处理比睡眠分期时间尺度更细的事件。
疾病预测在未见医疗系统上依然成立
核心疾病结果是一个比较，而不是单个数字。将 PSG 表征与年龄、性别和 BMI 结合的模型，在两个留出队列中对 215 个随后记录的 EHR 表型达到了预设的区分度与显著性标准。对其中 155 个表型，PSG 表征在仅有人口学信息之外提供了可复现的额外信息。这项检验中更严格的部分是纳入了一个未参与预训练的医疗系统，因为医学模型可能学到无法迁移的站点特有结构。
论文还报告，SleepFM-2 优于从同一批记录导出的 480 维特征基线。这一优势在一个队列中较小，而在编码器从未见过的医疗系统中约大三倍，因此优势在泛化最难的地方最明显。这些是对随后诊断的预测，作者明确指出这不能确立因果关系或生物学意义上的疾病发生：信号也可能反映共同风险因素、治疗效应，或前驱期及此前未被识别的疾病。
单一共享轴解释大部分疾病评分方差
疾病评分并不相互独立。单一成分解释了疾病特异预测中约 55% 至 56% 的方差。该成分与 sigma 频段空间耦合减弱和睡眠深度熵（hypnodensity entropy）升高存在可解释的关联，这两者是睡眠脑电组织的属性。作者认为这与从单夜记录中捕捉到的生理衰老或衰弱潜在维度相符，同时提醒其含义尚不应等同于任何具体构念。
这是论文中最具分量的机制性主张，而且它是一种解释，而非已被证明的因果通路。证据支持的结论更窄：这些预测共享一个主导的共同方向，且该方向与可测量的脑电特征相关。这个方向究竟最适合描述为衰老、衰弱还是其他，仍无定论；作者把通用生理风险指标定位为未来工作的动机，而不是经过验证的临床工具。
一秒分辨率的事件评分接近专家范围
睡眠分期只是临床 PSG 解读的一部分。皮层觉醒、肢体运动和呼吸事件发生在更细的时间尺度上，并决定觉醒指数、周期性肢体运动指数和呼吸暂停-低通气指数。此前的 SleepFM 以五秒分辨率对信号分词，对这类事件过粗，因而无法评分。SleepFM-2 引入一秒分辨率来弥补这一缺口，论文报告其支持觉醒、肢体运动和呼吸事件检测。
在睡眠事件上，冻结编码器的表现落在专家评分者的观测范围内。这一措辞很重要：它是与人类评分者之间的差异范围作比较，而不是声称优于人类。论文还报告在疾病预测和睡眠分期两方面均优于 SleepFM，因此提升并不限于新增的事件类型。
不更新编码器权重也能迁移到可穿戴设备
迁移测试检验的是表征能否在更换传感器后依然成立。在编码器冻结的情况下，SleepFM-2 迁移到了清醒脑电、头带和耳内脑电、腕部 PPG 以及腕部加速度计。它在六个加速度计队列上改善了睡眠分期，并在 UK Biobank 中取得与直接在加速度计上预训练的模型相似的疾病预测表现。腕部加速度计的结果值得注意，因为该输入与 PSG 不共享任何通道，所以迁移不能依赖传感器物理特性匹配。
UK Biobank 中的比较是一个持平结果，而非优势：与直接在加速度计上预训练的模型表现相似。结合六个队列的分期改善来看，这一模式提示 PSG 表征携带的信息能够经受测量方式的剧烈变化，而收益大小取决于目标任务和队列。
主观睡眠只在记录当晚可被还原
主观睡眠分析划定了一条容易被忽略的边界。在 BioSerenity 队列中，记录与关于研究当晚和习惯性睡眠的问卷配对。对于全部六个关于记录当晚的睡后问卷条目，SleepFM-2 都是表现最好的方法，相比合并基线 AUROC 提升 +0.011 至 +0.034（平均 AUROC 0.750 对 0.725）；这一提升在每个端点上名义显著，并在六个中的四个上通过 Benjamini–Hochberg 校正。
对于描述习惯性睡眠的六个匹配睡眠史条目，情况变弱。SleepFM-2 在五个条目上最好，但仅在两个上显著更优；在习惯性睡眠差的复合端点上，两种方法基本无法区分（0.680 对 0.677）。作者将其解释为单夜生理的适用范围限制：习惯性主诉反映多夜模式、心理状态、共病和环境。论文指出，SleepFM-2 不应被视为纵向记录或问卷评估的替代品，这一限制对失眠尤其相关，因为慢性化本身就是该诊断的内在要素。
主客观差异可检测但不足以诊断
两个端点衡量患者报告与 PSG 测量之间的偏离程度：总睡眠时间的绝对差，阈值 90 分钟，患病率 35.5%；入睡潜伏期的绝对差，阈值 45 分钟，患病率 29.3%。SleepFM-2 在总睡眠时间差异上达到 AUROC 0.646，在入睡潜伏期差异上达到 0.748，分别比合并表格基线高出 +0.024 和 +0.020。
作者直言绝对表现有限，尤其是总睡眠时间，而且该信号不足以准确判定差异，无法单独用于临床诊断。有用的解读是：原始生理信号包含关于报告睡眠与测量睡眠之间差距的信息，而常规 PSG 汇总和单个微结构特征会遗漏这些信息；但这一信息的量级并不支持取代患者报告评估。
泛化越难的地方优势越明显
在这些分析中，论文自身的优先级排序是一致的：表征对与记录当晚相关的端点、以及编码器从未见过的医疗系统最有价值，而对单夜记录无法容纳的习惯性主诉价值最低。相比 480 维特征基线，疾病预测优势在一个队列中较小，在未见医疗系统中约大三倍。主观睡眠的优势在记录当晚清晰可见，在习惯性复合端点上则不存在。
这一分野就是实用结论。读者在判断该表征是否值得采用时，应先问自己处于哪种情形：是在新站点预测结局，或从原始信号评分事件和当晚体验——证据支持这里有真实优势；还是从单次记录推断长期睡眠主诉——论文自身的比较显示，表征在临床和常规 PSG 特征之外增加的信息很少。作者把自动化 PSG 解读定位为更近期的方向，把通用生理风险指标定位为未来工作的动机，而非经过验证的临床输出。
本文引用的文献
Learning transferable human physiology from two million hours of sleep with SleepFM-2
一个在 235,865 份多导睡眠图记录上预训练的冻结睡眠基础模型，在两个留出队列中对 215 个随后记录的 EHR 表型达到预设标准，对其中 155 个在人口学信息之外提供额外信息，并迁移到可穿戴设备和记录当晚的主观睡眠。