基于贴片式可穿戴心电与阻抗呼吸信号的多模态深度学习睡眠分期研究

本研究针对传统多导睡眠监测(PSG)成本高、舒适性差的问题，开发了基于单导联心电(ECG)和阻抗呼吸描记(IPG)的贴片式可穿戴设备。通过融合时间/频域特征与深度学习模型(RCNN/1D-CNN)，在92例患者数据中实现2分类83.6%准确率，并确定IPG+R-R间期(RRI)为最优模态组合。该成果为家庭场景下的精准睡眠监测提供了创新解决方案。

　　

睡眠质量监测对认知功能评估和疾病诊断至关重要，但传统多导睡眠监测(PSG)需要复杂的电极布置和专业环境，严重限制了日常应用。尽管便携式脑电(EEG)设备有所突破，但舒适性和成本问题仍未解决。与此同时，基于心电(ECG)的可穿戴设备因其易用性展现出潜力，但现有研究在特征优化、模态组合和计算效率方面存在明显局限。

针对这些挑战，来自韩国延世大学Severance医院的研究团队开发了一种创新的贴片式监测系统。该研究通过整合单导联ECG、阻抗呼吸描记(IPG)、加速度计和温度传感器，结合多模态深度学习算法，在《Computers in Biology and Medicine》发表了突破性成果。研究团队收集了92例睡眠障碍患者（平均年龄55.1岁，75%男性）共698小时数据，采用5分钟滑动窗口分析，通过5折交叉验证比较了随机森林(RF)、残差卷积神经网络(RCNN)和1D-CNN三种算法的性能。

关键技术包括：1) 使用NeuroKit2进行ECG信号预处理和R-R间期提取；2) 从ECG/IPG提取130个时域/频域/非线性特征；3) 开发具有注意力机制的1D-CNN模型处理原始信号；4) 应用最大相关最小冗余(mRMR)算法进行特征选择；5) 采用PReLU激活函数优化深度网络训练。

【有效模态分析】
研究发现IPG+RRI+运动传感器的组合在2分类（清醒/睡眠）和4分类（清醒/REM/N1/N2）任务中表现最优，准确率分别达83.6%和60%。特别值得注意的是，IPG单独使用时AUROC达86%，证实呼吸模式对睡眠分期具有决定性作用。

【分类方法比较】
特征工程与深度学习的融合展现出显著优势：在2分类任务中，组合方法AUROC(86%)优于单独使用RCNN(83.4%)；而RCNN在3分类任务中F1-score(0.618)最高，显示其对复杂分期的适应性。引人注目的是，仅使用15个mRMR筛选特征即可保留99%性能，同时减少73%训练时间。

【特征重要性】
时域特征贡献度达12.3%，其中呼吸变异系数(CVSD)和RRI相关指标最为关键。非线性特征如模糊熵(FuzzyEn)和多尺度分析(MFDFA-α)对REM期识别特别敏感，印证了睡眠中自主神经活动的复杂性。

这项研究具有多重创新价值：首先，8g重的贴片设计突破了传统ECG腰带设备的舒适性限制；其次，首次系统评估了IPG在睡眠分期中的作用机制；更重要的是，通过特征工程与深度学习的协同优化，实现了临床精度与计算效率的平衡。

研究也存在若干局限：样本中N3期数据不足影响模型泛化能力；未测试Transformer等时序模型可能限制了对N1期细微变化的捕捉。未来研究可通过增加健康人群数据和引入跨设备验证来提升实用性。

该成果标志着可穿戴医疗设备的重要进步，为家庭场景下的睡眠障碍筛查、认知增强干预和个性化健康管理提供了可靠工具。特别是对阻塞性睡眠呼吸暂停(OSA)患者（本研究占88%），这种舒适、连续的监测方式将显著改善长期随访效果。随着边缘计算技术的发展，这项研究奠定的算法框架有望推动实时睡眠干预系统的临床应用。