多输入残差注意力网络MuRAt-CAP-Net：实现睡眠周期交替模式A相及亚型自动检测的创新方法

针对睡眠微结构评估中CAP（Cyclic Alternating Pattern）A相及亚型人工标注耗时、主观性强的问题，本研究提出多输入残差注意力网络MuRAt-CAP-Net，通过同步处理四通道EEG信号，在平衡/非平衡数据集上分别实现A相分类F1-score 81.13%/88.38%，亚型分类准确率87.31%，为睡眠障碍诊断提供自动化解决方案。

　　

睡眠质量评估是健康管理的重要环节，而周期交替模式（CAP）作为睡眠微结构的核心生物标志物，与阻塞性睡眠呼吸暂停（OSA）、失眠、癫痫等多种疾病密切相关。传统CAP评分依赖专家对脑电图（EEG）信号的逐秒视觉分析，不仅耗时耗力，且评分者间一致性仅69-77%，严重制约临床效率。尽管已有研究尝试用机器学习方法实现自动化，但普遍存在单通道输入忽略多皮层活动、依赖人工特征提取、亚型分类性能不足等缺陷。

为突破这些瓶颈，土耳其科学和技术研究委员会（TüB?TAK）资助的研究团队开发了多输入残差注意力CAP网络（MuRAt-CAP-Net）。这项发表于《Biomedical Signal Processing and Control》的研究，首次采用端到端深度学习架构同步处理Fp2-F4、F4-C4、C4-P4、P4-O2四通道EEG信号，结合注意力机制与残差连接，在包含健康人群和睡眠障碍患者的混合数据集上实现CAP A相及其亚型（A1/A2/A3）的高精度自动检测。

关键技术包括：1）基于小波变换的时频特征提取；2）多输入并行处理的1D-CNN架构；3）残差注意力模块优化特征选择；4）采用5折交叉验证评估模型；5）Grad-CAM可视化决策依据。研究特别设计了平衡（3,000例）与非平衡（15,000例）两种数据集，以全面考察模型性能。

实验结果

1. 模型性能：在平衡数据集上，A相分类准确率81.26%（F1-score 81.13%），亚型分类达83.34%（F1-score 83.38%）；非平衡数据集中A相F1-score提升至88.38%，验证模型对临床常见数据分布的适应性。
2. 多通道优势：四通道组合较单通道准确率提升6.8%，证实多皮层信号整合对CAP检测的关键作用。
3. 时间窗口分析：29秒窗口在亚型分类中表现最优，而A相检测在11秒窗口达到峰值，反映不同任务对时序信息的需求差异。
4. 注意力机制：空间-通道注意力模块（scSE）显著提升特征 discriminability，较基线模型F1-score提高4.2%。

讨论与意义
该研究通过三大创新点推动领域发展：首先，MuRAt-CAP-Net是首个符合CAP评分指南多通道要求的端到端模型，其注意力机制可自动聚焦于delta bursts（A1相特征）和K-alpha波（A3相特征）等关键EEG模式；其次，Grad-CAM可视化显示模型决策与已知CAP生理特征高度吻合，如A3相检测主要依赖高频活动区域，增强临床可信度；最后，系统性消融实验证实17秒窗口和F4-C4通道对OSA患者CAP检测最具价值，为临床应用提供参数优化依据。

局限性在于未纳入更多病理类型数据，未来可扩展至帕金森病等神经系统疾病评估。这项研究为睡眠微结构分析建立了新范式，其技术框架可推广至其他生理信号时序分析领域，对推动睡眠医学的数字化、标准化具有重要价值。