基于多模态信号整合与先进特征提取的睡眠分期分类方法研究

为解决睡眠分期分类中信号单一性和特征提取局限性问题，研究人员开展了一项整合EOG和双通道EEG数据的多模态研究。通过融合STFT、小波变换和CNN特征提取技术，结合XGBoost分类器，在Sleep-EDF和ISRUC-Sleep数据集上分别取得84.57%和86.02%的总体准确率，显著提升N2期和清醒期识别性能。该研究为临床睡眠障碍诊断提供了高精度自动化解决方案。

　　

睡眠质量直接影响人类健康，而精准的睡眠分期是诊断睡眠障碍的核心环节。传统依赖专家视觉判读的R&K或AASM标准存在效率低、主观性强等问题。尽管近年来涌现出DeepSleepNet、3DSleepNet等深度学习模型，但多面临计算复杂度高、跨数据集泛化能力不足等挑战。尤其当处理EOG和双通道EEG等多模态数据时，如何有效整合时空特征并降低维度成为关键科学问题。

中国的研究团队在《Artificial Intelligence in Medicine》发表的研究中，创新性地提出融合传统信号处理与深度学习的混合框架。通过采集Sleep-EDF和ISRUC-Sleep数据集的多模态生理信号，采用STFT提取时频特征、离散小波变换捕捉瞬态特征，同时利用CNN自动学习深层特征。所有特征经PCA降维后，输入LSTM和XGBoost等分类器进行比较分析。研究最终证明XGBoost模型在跨数据集测试中表现最优，唤醒期和N2期的识别准确率显著提升，为临床睡眠监测提供了高效可靠的自动化方案。

关键技术包括：1) 多模态信号同步处理技术（双通道EEG+EOG）；2) 混合特征提取（STFT时频分析、DWT多分辨率分析、CNN空间特征学习）；3) PCA特征降维；4) 基于20折受试者独立交叉验证的XGBoost分类器优化。

Used database
研究选用Sleep-EDF Expanded和ISRUC-Sleep两个公开数据集，包含健康受试者和睡眠障碍患者的PSG记录。通过严格的数据预处理确保信号质量，为多模态分析奠定基础。

Experimental results
XGBoost在Sleep-EDF上达到84.57%准确率（macro-F1 78.21%），ISRUC-Sleep上提升至86.02%（macro-F1 81.96%）。对比实验显示，传统特征与CNN特征的融合使N2期分类F1值提高12.3%，显著优于单一模态或单方法系统。

Discussion
研究揭示多模态信号互补性：EOG提升REM期识别，而双通道EEG增强慢波睡眠特征捕捉。PCA将特征维度压缩60%后仍保持97%信息量，证实了特征工程的有效性。与3DSleepNet等模型相比，本方法计算效率提高3倍，更适合临床部署。

Conclusion
该研究开创性地将传统信号处理与现代机器学习相结合，构建出兼顾精度与效率的睡眠分期系统。其创新点在于：1) 建立多模态特征融合范式；2) 验证XGBoost在时序生理信号分类中的优越性；3) 提供可解释性强的特征重要性排序。这项工作不仅推动睡眠医学的智能化进程，其方法论对癫痫监测、麻醉深度评估等时序信号分析领域也具有重要借鉴意义。