基于Transformer的单通道脑电睡眠分期因果感知可靠性评估及其空间感知机制研究

《Frontiers in Neuroscience》：Causal-aware reliability assessment of single-channel EEG for transformer-based sleep staging

本文系统研究了基于Transformer架构的单通道脑电（EEG）睡眠分期模型的可靠性问题，创新性地引入因果分析方法探究不同电极位置（如中央区C3-A2/C4-A1）对分期性能的影响。研究发现中央区电极在总体准确率（ACC）和宏F1值（MF1）上显著优于额区与枕区，同时揭示了单通道EEG在REM和N1分期中的局限性。通过融合眼电（EOG）信号的多模态模型（SingleSleepPlus）显著提升REM分期性能（MF1提高7.17%），为可穿戴睡眠监测设备的电极选择和算法优化提供了因果感知的理论依据。

　　

引言

睡眠分期在评估睡眠质量、诊断睡眠障碍以及监测身心健康方面具有重要作用。临床上多导睡眠监测（Polysomnography, PSG）通过同步记录脑电（EEG）、眼电（EOG）、肌电（EMG）和心电（ECG）等多模态信号，由专业医生遵循美国睡眠医学会（AASM）标准进行人工分期。然而，传统人工分期耗时长达两小时每例，且易受主观因素影响。随着家庭环境下降睡眠监测需求增长，基于单通道EEG的自动睡眠分期方法因其便携性而备受关注，但其可靠性仍显著低于多通道PSG。

近年来，深度学习技术显著推进了自动睡眠分期的发展。传统机器学习方法依赖手工特征（如时域、频域特征）和分类器（如支持向量机SVM、随机森林），但泛化能力有限。深度学习方法如3D卷积神经网络（3D-CNN）模型3DSleepNet能同时捕捉多通道生理信号的空间、频谱和时间依赖关系；序列到序列模型XSleepNet处理多模态原始信号及其时频表示；双向长短期记忆网络（Bi-LSTM）结合信号分解机制增强特征可解释性。然而，这些方法多依赖多模态或多通道输入，限制了在便携设备中的应用。

为突破这一限制，研究者开发了单通道EEG分期模型，如DeepSleepNet（使用Fpz-Cz和Pz-Oz通道）、U-Time（采用Fpz-Cz和C3-A2）、TinySleepNet（CNN+RNN混合架构）以及首个基于Transformer的SleepTransformer。尽管这些模型取得了一定成效，但普遍缺乏对电极选择的系统论证，也未探究不同通道对分期性能的影响及单通道方法在特定睡眠阶段的局限性。

方法论

本研究提出两种模型：SingleSleep（单通道EEG输入）和SingleSleepPlus（EEG+EOG多模态输入），核心架构包含多尺度一维卷积神经网络（1D-CNN）、Transformer编码器和跨模态融合模块。

多尺度1D-CNN模块通过不同卷积核（尺寸50、25+2、5+5+2）提取EEG信号的局部特征（如慢波、睡眠纺锤波、K-复合波）和全局特征。卷积步长对应0.5秒窗口（采样率200 Hz），输出嵌入维度为E的特征向量。

Transformer编码器采用可学习的CLS_Init向量（类似ViT模型）和位置编码，通过自注意力机制（公式1）计算全局注意力。SingleSleepPlus中，各模态的CLS向量经跨模态注意力模块融合，最终通过前馈网络实现五分类（WAKE、N1、N2、N3、REM）。

实验设计与评估

数据集采用ISRUC-Sleep的子集ISRUC-S3（10名健康受试者），包含6个EEG通道（F3-A2、C3-A2、O1-A2、F4-A1、C4-A1、O2-A1）和2个EOG通道（LOC-A2、ROC-A1），采样率200 Hz。评估指标包括准确率（ACC）、宏F1值（MF1）、灵敏度（Sens.）和特异性（Spec.），其中MF1的计算如公式3所示，有效处理类别不平衡问题。

训练使用Adam优化器（学习率0.001）、分类交叉熵损失函数（类别权重Wake:1, N1:2, N2:1, N3:1, REM:2），在NVIDIA 3090 GPU上实施。

结果分析

不同EEG通道的性能对比显示，中央区电极（C3-A2和C4-A1）在总体ACC（77.16%和76.79%）和MF1（71.61%和69.98%）上最优，额区电极（F3/F4）次之，枕区电极（O1/O2）最差。这表明中央区电极在单通道EEG睡眠分期中可靠性最高。

然而，不同通道在特定睡眠阶段表现各异：额区电极对N1分期识别最佳；中央区电极对N2和N3分期效果较好；枕区电极在REM分期中更具可靠性。因此，针对特定睡眠阶段的研究应选择相应优势电极，而非单纯追求总体性能。

单通道EEG的局限性通过引入EOG信号得以揭示。SingleSleepPlus模型使总体ACC提升4.71%，MF1提高7.17%，其中REM和N1分期改善最为显著（图3示例）。这是因为N1和REM阶段的眼动信息提供了关键互补特征，且AASM评分标准包含EOG相关定义。结果表明，单通道EEG在REM和N1分期中存在不足，但在N3分期中可靠性较高。

结论与展望

本研究通过因果感知分析方法，揭示了单通道EEG睡眠分期的电极选择可靠性和阶段特异性局限性。中央区电极总体性能最优，但不同睡眠阶段需针对性选择电极；多模态融合EOG可有效弥补REM分期的不足。未来工作将扩展更多电极通道的系统性评估，为可穿戴睡眠监测设备的优化提供理论基础。