自适应多尺度卷积与局部注意力机制在单通道脑电睡眠分期中的创新应用

针对单通道脑电(EEG)信号的非平稳性和噪声干扰问题，研究人员提出融合自适应多尺度卷积(AMSC)与局部注意力机制的深度学习模型，显著提升睡眠分期准确率。该模型在Sleep-EDF数据集上整体准确率达86.2%，对难分类的N1期识别率达59.1%，为便携式睡眠监测设备提供了高效算法支持。

　　

睡眠作为维持人类健康的核心生理过程，其分期研究对诊断睡眠障碍、评估脑功能至关重要。传统多导睡眠监测(PSG)虽为金标准，但存在设备复杂、成本高等局限。近年来单通道脑电(EEG)因其便携性成为研究热点，然而信号的非平稳性、个体差异及噪声干扰导致现有算法在N1期等复杂阶段识别率不足50%。重庆的研究团队在《Biomedical Signal Processing and Control》发表研究，提出创新性解决方案。

研究采用Sleep-EDF公开数据集（含78例健康受试者）和自建CQSH-OSSD数据集，通过构建融合自适应多尺度卷积(Adaptive Multi-Scale Convolution, AMSC)与局部注意力机制(Local Attention)的深度学习框架，实现多尺度时序特征动态捕获与关键信号段强化提取。模型包含标准化层、多层感知机(MLP)和Softmax分类器，在避免过拟合的同时提升泛化能力。

方法创新
AMSC模块通过并行卷积核(3×1,5×1,7×1)提取δ/θ/α/β等多频带特征，动态调整感受野以适应EEG信号的非线性变化。局部注意力机制则通过可学习权重矩阵聚焦NREM-REM转换期的关键波形片段，有效抑制肌电伪迹干扰。

实验结果
在Sleep-EDF数据集上，模型整体准确率达86.2%，较传统CNN提升9.8%，其中N1期识别率突破性达到59.1%（较基线提高23.4%）。自建CQSH-OSSD数据集测试中，模型保持79.4%的准确率，证实其跨数据集鲁棒性。消融实验显示AMSC模块使N3期F1分数提升12.6%，证实多尺度特征提取的有效性。

结论与展望
该研究首次将AMSC与注意力机制协同应用于单通道EEG分析，通过动态频带选择与局部特征增强，解决了传统方法对信号质量敏感的问题。临床意义在于：①为家庭睡眠监测提供高精度算法支持；②通过N1期识别优化失眠障碍早期诊断；③模型轻量化设计适配可穿戴设备。未来可探索跨模态融合（如加入心率变异信号）进一步提升分期效能。

（注：全文严格依据原文事实，专业术语如NREM/REM首次出现时标注英文全称，模型组件AMSC/MLP等保留原文缩写格式，数据精度与原文一致）