DistillSleep：基于单通道脑电图的实时边缘计算睡眠分期系统——精准、可解释与临床转化突破

来自多中心的研究团队开发了DistillSleep框架，通过知识蒸馏技术将高精度教师模型（Macro-F1达81.2%）压缩为仅109k参数的边缘计算学生模型（延迟<10ms/epoch），在Raspberry Pi等嵌入式设备实现单通道脑电图（EEG）的实时睡眠分期，计算效率提升115倍（vs SleePyCo），同时保留频率特征可视化等临床可解释性，为居家睡眠监测提供新范式。

这项突破性研究构建了革命性的睡眠监测系统DistillSleep，巧妙运用知识蒸馏（knowledge distillation）技术实现"大模型浓缩术"。科研人员先训练具备多波长金字塔模块（Multi-Wavelength Pyramid）和Transformer架构的高容量教师模型，在包含SHHS1等六大数据库的>10,000例多中心数据中，该模型展现出81.1%的Macro-F1分数，并生成频率分辨显著图（frequency-resolved saliency maps）和跨时段上下文特征。

更惊艳的是，研究者将这套复杂系统"瘦身"成仅109k参数的轻量级学生模型，在树莓派4B等边缘设备上实现闪电般的推理速度（每30秒片段处理<10ms），计算负荷较现有最佳方法SleePyCo直降115倍！这个"迷你专家"不仅保持79.7%的高准确率，还完整继承了教师模型的"透明思维"——临床医生可直观查看频段重要性权重和跨时段关联特征，模型校准误差（ECE）更优化2.7^×倍。

这项技术突破使单通道脑电设备同时具备实验室级精度（符合AASM标准）、毫秒级实时性和临床可解释性三重优势，为睡眠呼吸暂停等疾病的家庭监测、即时治疗调整开辟了新途径，有望重塑睡眠医学的实践模式。