编辑推荐：
在新生儿重症监护病房（NICU）中，早产儿睡眠常受干扰，现有睡眠测量金标准多有局限。研究人员开展利用机器学习实现早产儿睡眠阶段自动分类研究，结合压电（piezo）垫和心电图（ECG）数据训练模型，结果良好。该研究为 NICU 睡眠监测提供新方案。
在新生儿的世界里，早产儿是一群需要特别关爱的小生命。据统计，约 10% 的新生儿为早产儿，他们面临着诸多健康风险，其中神经系统疾病的发生率较高。而正常的睡眠周期对新生儿的大脑发育至关重要，它就像一把钥匙，能开启大脑健康成熟的大门。然而，在新生儿重症监护病房（NICU）这个特殊的环境中，频繁的医疗干预和嘈杂的环境，使得早产儿们难以安稳入睡，无法满足睡眠需求。
目前，评估早产儿睡眠特征的临床金标准是多导睡眠图（PSG），它能测量多种生物物理参数，如脑电图（EEG）、心电图（ECG）等。但这个方法存在不少问题，不仅操作繁琐、耗费人力，而且对早产儿脆弱的皮肤可能造成伤害，还会进一步干扰他们本就珍贵的睡眠，因此并不适合用于连续监测。
为了解决这些难题，来自国外的研究人员开展了一项极具意义的研究。他们试图找到一种自动睡眠阶段分类方法，仅利用常规可用的心电图（ECG）和通过压电（piezo）垫记录的患者运动数据，来实现对早产儿睡眠阶段的精准分类。
研究人员从 28 名早产儿（13 名女性和 15 名男性）身上收集数据，这些早产儿的孕后年龄为 35.7±0.5 周。研究人员运用支持向量机（SVM）构建模型，将睡眠阶段分为清醒（W）、活动睡眠（AS）和安静睡眠（QS）三类。
在研究过程中，数据采集和处理是关键环节。研究人员依据美国睡眠医学协会（AASM）的规则，使用 ALICE 6 睡眠诊断系统和 Sleepware G3 软件，以 200Hz 的频率记录 PSG 数据，同时用压电（piezo）垫同步记录婴儿的运动信号，并通过平行视频记录来辅助标注。对于数据的注释，采用了两种方法，一种是基于 Sleepware G3 软件的自动分类，另一种则是由三位专家进行手动注释，最终以专家共识作为训练和测试机器学习算法的基准。
在数据预处理阶段，研究人员对 ECG 信号进行滤波，去除噪声和基线漂移，并对 R 波进行校正。之后，从压电（piezo）垫和 ECG 信号中提取了一系列特征，像从压电（piezo）垫信号中提取频谱图、带功率等特征，从 ECG 信号中提取平均心率、心率变异性（HRV）等特征，还添加了时间特征来辅助分类。
为了构建高效的睡眠阶段分类模型，研究人员使用 SVM 进行监督学习，训练了三种不同的模型，分别基于压电（piezo）垫数据、ECG 数据以及两者结合的数据。在模型训练过程中，运用了纠错输出码（fitcecoc）方法，进行五折交叉验证，并对多种内核函数和超参数进行测试优化，最终选定径向基函数（RBF）作为最佳内核函数。
研究结果令人欣喜。在运动检测方面，基于压电（piezo）垫信号的自动运动检测算法表现出色，与视觉检测的运动相关性高达 0.78±0.01，且对短暂的肌肉抽搐更为敏感。在睡眠阶段分类上，结合压电（piezo）垫和 ECG 数据的模型性能最佳，在数据集 A 上训练的模型准确率达到 92.2±0.01%，Cohen's kappa 值为 0.83±0.002，敏感性为 88±0.01%，特异性为 94±0.01% 。而仅基于压电（piezo）垫或 ECG 数据的模型虽然稍逊一筹，但也优于 Sleepware G3 软件的自动注释结果。
进一步对睡眠特征进行分析发现，模型预测的睡眠阶段与 PSG 标注的结果在睡眠阶段时间占比和睡眠周期长度上，多数情况差异较小。不过，在安静睡眠（QS）阶段，自动分类的中位数睡眠周期长度显著缩短，这可能是因为自动分类将一些长 QS 阶段中的短暂清醒或活动睡眠误判，导致整体中位数缩短。
这项研究成果意义重大。其模型性能达到了与人工手动评分相当甚至更高的水平，为临床应用提供了可靠的依据。与以往研究相比，该研究不仅在睡眠阶段分布上有新发现，而且在分类准确性上有显著提升。研究还发现，基于生命体征的模型在准确性上可与基于 EEG 的算法媲美，且避免了 EEG 记录在早产儿应用中的诸多弊端。这一成果为早产儿睡眠监测提供了一种可靠、无创的解决方案，有助于实现基于睡眠的个性化医疗护理，促进早产儿的健康和大脑发育。
在技术方法方面，研究人员主要采用了以下关键技术：一是数据采集技术，收集早产儿的 PSG 数据、压电（piezo）垫运动数据及视频数据；二是运用支持向量机（SVM）进行机器学习建模，通过五折交叉验证优化模型；三是利用 SHapley Additive exPlanations（SHAP）方法进行特征重要性分析。
研究结论表明，利用无创生命体征测量实现早产儿可靠的睡眠阶段检测是可行的，基于运动和心率信息训练的 SVM 模型性能良好。但目前研究样本量较小，限制了研究结果的普适性。未来还需在极早产儿和足月儿中进一步验证模型，并探索基于深度学习的特征提取方法，以实现模型的实时应用。这一研究为早产儿睡眠监测和个性化医疗开辟了新方向，有望在未来为早产儿的健康护理带来更多突破。
