编辑推荐：
当前睡眠监测依赖传统多导睡眠图（PSG）存在局限，心肺信号用于睡眠监测潜力待挖但面临问题。研究人员开展基于心肺信号解析睡眠结构的研究，修改标注方案结合模型有效区分睡眠阶段。该研究为家庭睡眠监测提供新方向。
在睡眠研究的领域中，多导睡眠图（PSG）一直是评估睡眠结构和诊断睡眠障碍的临床金标准。它通过同时记录脑电图（EEG）、眼电图（EOG）、心电图（ECG）等多种生物物理信号，为医生和研究人员提供了全面了解睡眠状态的依据。然而，传统 PSG 设备复杂、价格昂贵，且需要在医院等专业环境中进行监测，这不仅给患者带来了不便，也限制了对睡眠模式的长期、连续监测。
随着科技的发展，利用可穿戴设备获取的心肺信号进行睡眠监测逐渐成为研究热点。心肺信号，如心率和呼吸信号，蕴含着丰富的生理信息。从生理机制上讲，自主神经系统调节下的心率与呼吸的同步性会随着睡眠类型和深度的变化而改变。例如，高频（HF，0.1 - 0.4Hz）心肺耦合与稳定的非快速眼动（NREM）睡眠相关，低频（LF，0.01 - 0.1Hz）耦合则与不稳定的 NREM 睡眠有关 。但目前该领域面临诸多挑战，一方面，基于 PSG 的美国睡眠医学学会（AASM）睡眠分期定义，在应用于心肺信号时存在问题，N2 阶段包含稳定和不稳定的 NREM 睡眠，导致分类模糊；另一方面，现有的基于心肺信号的睡眠监测研究，要么数据集较小，要么模型无法准确区分某些睡眠阶段。
为了解决这些问题，来自国外的研究人员开展了一项关于 “基于心肺信号的数据驱动睡眠结构解析” 的研究。该研究成果发表在《Computer Methods and Programs in Biomedicine》上。
研究人员采用了多种关键技术方法。首先，选用了睡眠心脏健康研究（SHHS）数据集，该数据集包含 5794 名参与者的整夜 PSG 记录和相关呼吸暂停低通气指数（AHI）数据，为研究提供了丰富的数据支持。其次，针对心肺信号特点，研究人员修改了 AASM 的睡眠分期标签，排除了模糊的 N2 阶段，将研究重点放在清醒、N1、深度睡眠（N3）和快速眼动（REM）阶段。此外，还开发了一种受生理启发的深度学习模型（PIDM），用于从心肺时间序列中提取特征并进行睡眠阶段分类。
在研究结果部分：
- 睡眠阶段分类效果：通过结合修改后的标注方案和 PIDM 模型，在正常组中，清醒、深度睡眠和 REM 阶段的平衡准确率分别达到 0.83、0.86 和 0.78；在轻度和中度睡眠呼吸暂停组中，这三个阶段的平衡准确率更高，分别为 0.92、0.95 和 0.90。这表明该模型在不同睡眠呼吸暂停严重程度的人群中，都能较好地区分主要的睡眠阶段。
- N2 阶段的重新评估：研究人员通过评估 HF 与 LF 的比率以及呼吸变异性，对模型预测的 N2 样本进行了后分析。结果发现，大多数 N2 样本被归为稳定的 NREM 睡眠，其特征为较高的 HF - LF 比率和较低的呼吸变异性，这与生理学认知相符。这一结果进一步验证了研究方法的合理性和有效性。
研究结论和讨论部分指出，该研究强调了心肺信号在睡眠结构识别方面的生理相关性。通过排除和重新定义 N2 阶段的不确定性，所提出的研究流程有效地分辨了清醒、深度睡眠和 REM 阶段。这一成果表明，心肺信号有望成为一种强大、实用且独立于 EEG 的睡眠分析工具，尤其在家庭医疗保健环境中具有巨大的应用潜力。它为未来家庭睡眠监测系统的发展提供了新的方向，有助于实现更便捷、高效的睡眠健康管理。同时，研究也为后续进一步探索心肺信号在睡眠研究中的应用奠定了坚实的基础，激励更多研究人员在此领域深入研究，以解决目前睡眠监测面临的问题，推动睡眠医学的发展。
