基于气流信号持久曲线傅里叶近似的儿童睡眠分期新方法研究

为解决儿童睡眠分期中脑电图(EEG)依赖性强的问题，研究人员开展基于气流信号拓扑数据分析(TDA)的研究，提出傅里叶近似持久曲线(FAPC)新方法。实验证明FAPC结合Hermite近似(HEPC)可使XGBoost模型准确率提升4.9%，为无EEG家庭睡眠监测提供新思路。

　　

睡眠障碍影响着全球61%的老年人和3.7%的儿童，而传统的多导睡眠图(PSG)依赖脑电图(EEG)信号进行睡眠分期，存在设备复杂、成本高昂等问题。家庭睡眠监测虽便捷但常因EEG信号质量差而失败，这促使研究者探索基于非EEG信号的替代方案。呼吸气流信号因其与睡眠阶段的强关联性成为理想选择，但传统时频分析方法难以捕捉其复杂的非平稳特征。

为解决这一难题，研究人员开发了基于拓扑数据分析(TDA)的新型特征提取方法。研究团队利用美国全国儿童医院睡眠数据库(NCHSDB)的1155例儿科数据，创新性地提出傅里叶近似持久曲线(FAPC)方法，并与现有Hermite近似(HEPC)方法进行对比。通过XGBoost模型验证，发现FAPC能有效补充HEPC的信息缺失，在Wake/NREM/REM三分类任务中实现67.6%的准确率，较基线方法提升显著。

关键技术包括：1)采用Rips过滤和子水平集过滤从气流信号中提取拓扑特征；2)开发FAPC算法进行持久曲线逼近；3)结合瞬时呼吸频率(IRR)等传统特征；4)使用5折交叉验证评估XGBoost模型性能。

研究结果显示：
3.1 数据集和预处理
通过严格筛选2-18岁AHI<1的儿童数据，采用信号质量指数(SQI)过滤低质量信号，确保数据可靠性。

3.2 基线转换器模型
构建基于Vision Transformer的基准模型，在180秒时间窗口上实现51.7%的基线准确率。

3.3 拓扑数据分析
创新性地比较了FAPC与HEPC的逼近效果，发现FAPC在H₀子水平集过滤中的残差仅为4.921，显著优于HEPC的2359.405。

3.5 机器学习方法
特征组合实验表明，基线特征+FAPC+HEPC组合效果最优，Wake/NREM/REM分类准确率分别达71.9%、66.5%和64.5%。

结论部分强调，这是首个在儿科群体中验证的基于TDA的气流信号睡眠分期方法。FAPC的创新应用突破了传统HEPC在微小尺度特征捕捉上的局限，为家庭睡眠监测提供了EEG-free的新范式。虽然67.6%的准确率仍有提升空间，但考虑到专家间83%的标注一致性，该方法已具备临床参考价值。研究开源的代码和标准化流程（GitHub可获取）将推动该领域的进一步发展。