SleepFM-2 是一种基于睡眠的基础模型，使用 282,511 例多导睡眠监测（PSG）记录进行开发和评估，其中 235,865 例用于预训练，累计超过两百万小时的多模态生理数据。相比首代 SleepFM，SleepFM-2 在疾病预测、睡眠分期、觉醒、四肢运动以及呼吸事件检测方面均有提升，并能够迁移到可穿戴传感器和主观睡眠表型上。\ \ 将 PSG 表征与年龄、性别、BMI 结合后，模型在两个未见的队列中满足预设的判别力和显著性标准，成功预测了 215 项后续记录的电子健康记录（EHR）表型，其中 155 项表型在加入 PSG 表征后提供了超出人口统计信息的可重复信息。相较于同样基于原始记录提取的 480 特征基线，SleepFM-2 的表现更佳。\ \ 模型的疾病得分揭示了一个可重复的主成分：该成分与 sigma 带空间耦合降低以及 hypnodensity 熵增加相关。冻结的编码器在睡眠事件标注上达到了专家评分的观测范围，并成功迁移到清醒 EEG、头带、入耳 EEG、手腕 PPG 与手腕加速度计等传感器。它在六个加速度计队列中提升了睡眠分期准确率，并在 UK Biobank 中实现了与直接在加速度计上预训练的模型相当的疾病预测性能。\ \ 此外，SleepFM-2 捕获了传统 PSG 汇总无法恢复的主观睡眠因素，尤其是对当晚记录的自我报告。整体结果表明，多模态睡眠生理能够提供一种跨疾病、临床任务、传感器乃至主观体验的可迁移健康表征。\ \ 点评