基于单通道心冲击图信号与多尺度时间特征分析的自动睡眠分期研究

推荐 为解决传统接触式传感器干扰睡眠数据完整性的问题，研究人员提出一种基于单通道心冲击图（BCG）信号的非接触式自动睡眠分期方法。通过多尺度时间窗口特征提取与双层堆叠集成模型，该方法在10614个睡眠片段中实现89.15%的准确率，较传统模型提升2个百分点，为家庭和移动医疗提供更便捷可靠的睡眠监测方案。

　　

论文解读
睡眠作为人类昼夜节律的核心组成部分，与健康状态密切相关。然而，现代生活方式导致慢性睡眠剥夺问题频发，引发注意力下降、高血压、阿尔茨海默病等风险。传统多导睡眠图（PSG）虽被视为“金标准”，但其依赖接触式传感器，易干扰自然睡眠且成本高昂，难以普及至家庭场景。

针对这一痛点，浙江大学医学院附属邵逸夫医院的研究团队提出一种基于单通道心冲击图（Ballistocardiogram, BCG）信号的非接触式自动睡眠分期方法。BCG通过捕捉身体微动反映心脏活动，具有无创性优势。研究团队开发了一种多尺度时间窗口特征提取方法，结合心率变异性（Heart Rate Variability, HRV）和呼吸率变异性（Respiratory Rate Variability, RRV），从原始BCG信号中分离出心率和呼吸信号，并构建JJi和BBi序列以量化HRV与RRV特征。

在技术实现上，研究采用最大重叠离散小波变换（Maximum Overlap Discrete Wavelet Transform, MODWT）与巴特沃斯低通滤波器（Butterworth Lowpass Filter, BLF）处理信号，将数据分割为30秒片段后提取时域和频域特征。通过ReliefF算法降维，最终形成Top-50特征集。模型方面，团队设计双层堆叠集成模型，并通过五折交叉验证评估其性能。实验覆盖10组独立测试数据集，包含10614个睡眠片段，结果显示新方法平均特征权重达0.6158，较传统30秒窗口提升195.8%，分类准确率达89.15%。

研究结论表明，多尺度特征提取显著增强了BCG信号与睡眠阶段的关联性，而双层堆叠模型有效提升了鲁棒性。该技术不仅为家庭睡眠监测提供可行性方案，还为HRV、RRV等生物信息特征在睡眠障碍诊断中的应用奠定基础。研究成果发表于《Engineering Applications of Artificial Intelligence》，代码已开源供进一步研究参考。

技术方法概述
本研究采用最大重叠离散小波变换（MODWT）与巴特沃斯低通滤波器（BLF）处理BCG信号，结合心率变异性（HRV）和呼吸率变异性（RRV）特征提取，并通过ReliefF算法降维。模型构建采用双层堆叠集成架构，以五折交叉验证评估性能。

研究结果
心率与呼吸信号分离：通过MODWT和BLF从BCG中提取JJi和BBi序列，量化HRV与RRV特征。
多尺度特征提取：构建包含86个HRV/RRV特征的Top-50集合，平均权重提升195.8%。
模型性能：双层堆叠模型在五折交叉验证中实现89.15%准确率，较传统方法提高2个百分点。
临床意义：非接触式监测降低干扰，适用于家庭场景，为睡眠障碍诊断提供新工具。

讨论部分强调，传统PSG的局限性催生了非接触式BCG技术的需求。本研究通过多尺度特征提取与模型优化，显著提升了睡眠分期精度。开源代码进一步推动BCG在移动医疗中的应用，未来可探索其在睡眠呼吸暂停等疾病的筛查潜力。研究局限性在于样本多样性仍需扩展，且未对比其他非接触式技术（如雷达）的性能差异。

重要意义
该研究突破了传统接触式监测的局限，为家庭健康管理提供了创新解决方案。多尺度特征工程与集成模型的结合，不仅提高了算法实用性，还为生物信号处理领域贡献了新方法论。研究成果对慢性病防控、个性化医疗及智慧养老等领域具有深远影响。