开源EEG神经网络检查点管理仪表板：睡眠分期推理与可视化分析工具

基于Streamlit开发的PyTorch Lightning模型管理仪表板，支持SHHS睡眠脑电数据的模型检查点管理、批量推理、睡眠分期可视化及多模型对比分析。

• 原作者/维护者: dhinostroza
• 来源平台: GitHub
• 原始标题: EEG-Neural-Network-Checkpoint-Dashboard
• 原始链接: https://github.com/dhinostroza/EEG-Neural-Network-Checkpoint-Dashboard
• 发布时间: 2026年6月

---

睡眠障碍已成为全球性的公共卫生问题，影响着数亿人的生活质量。准确的睡眠分期是诊断睡眠障碍的关键步骤，传统方法依赖人工判读多导睡眠图（PSG），耗时且主观性强。随着深度学习技术的发展，基于脑电图（EEG）的自动睡眠分期系统展现出巨大潜力，但研究人员在实际工作中面临一个共同挑战：如何高效管理大量的模型检查点（checkpoints）、快速对比不同模型的性能，并直观展示推理结果。

本文介绍的开源项目正是为解决这一痛点而生——一个专为EEG神经网络设计的检查点管理仪表板，它将模型管理、推理执行和结果可视化整合在一个直观的Web界面中。

---

该仪表板的核心组件之一是自动化的模型注册表系统。它能够智能扫描指定目录中的.ckpt检查点文件，自动提取关键元数据，包括：

• 验证损失（Validation Loss）：评估模型泛化能力的核心指标
• 网络架构信息：模型结构参数与配置
• 训练轮次（Epochs）：模型收敛程度
• 参数量统计：模型复杂度量化

系统采用颜色编码直观展示模型性能——绿色标注高性能模型（低验证损失），红色标记需要进一步调优的模型。这种视觉反馈机制让研究人员能在众多检查点中快速定位最佳模型。

仪表板提供了功能完善的推理环境，支持多种输入格式：

支持的文件类型：

• .parquet格式的EEG频谱图文件
• .edf标准欧洲数据格式脑电文件
• .bdf生物半数据格式文件

智能预处理流程： 上传的EDF/BDF文件会自动转换为频谱图（spectrograms）格式，系统内置单位转换逻辑（BDF单位自动缩放1e6倍以匹配微伏标准），确保数据一致性。

即时结果反馈： 系统会首先查询predictions.sql数据库中的预计算结果，实现毫秒级响应。对于新上传的文件，则触发实时推理流程。

推理结果以直观的睡眠分期图（hypnogram）形式呈现，清晰展示整晚睡眠结构：

• 清醒期（Wake）
• N1期（浅睡眠）
• N2期（中等睡眠）
• N3期（深睡眠）
• REM期（快速眼动睡眠）

可视化组件采用优化的绘图参数——更宽的图表区域、增强的线条对比度，确保即使是长时间的睡眠记录也能清晰可读。

---

项目采用现代化的Python技术栈：

• Streamlit：作为Web应用框架，提供简洁的声明式UI构建能力
• PyTorch Lightning：抽象化PyTorch训练流程，标准化检查点格式
• Timm（PyTorch Image Models）：提供丰富的预训练视觉模型库
• Altair：声明式统计可视化库，生成交互式图表
• Pandas/NumPy：数据处理与数值计算基础设施

针对研究场景中的批量分析需求，系统实现了双模型并行推理功能：

1. 基线模型（Baseline 2025-09-04）：作为性能参照
2. 集成模型（Ensemble Model）：融合多模型预测，提升稳定性

批量处理结果生成对比报告，包含：

• 一致性矩阵（Agreement Matrices）：展示模型预测的一致性
• 对比睡眠分期图：直观对比不同模型的分期结果
• 类别分布统计：各睡眠阶段占比的量化对比