人工智能在睡眠阶段分类与睡眠障碍检测中的系统综述：模型、参数与性能指标解析

本研究系统综述了2016-2023年81篇文献，探讨人工智能(AI)在睡眠阶段分类(EEG信号为主)和睡眠障碍检测(如OSA、iRBD)中的应用。结果显示神经网络模型(47%)和LSTM(15%)表现最优，脑电信号使用率达77%，准确率最高达98.75%。该研究为临床睡眠医学提供了重要的算法选择参考和技术路线指导。

　　

睡眠质量直接影响人类身心健康，但全球约40%患者存在睡眠障碍问题。传统基于多导睡眠图(PSG)的人工判读方法存在效率低(需30秒/帧分析)、成本高且易出错等问题。随着人工智能技术发展，如何利用机器学习算法实现自动化睡眠分析成为研究热点，但现有综述多聚焦单一领域，缺乏对技术路线和参数选择的系统比较。

BRAC大学(孟加拉)的研究团队在《Heliyon》发表系统综述，分析了81项研究的技术路线。通过PRISMA方法筛选2016-2023年文献，重点评估了AI模型在睡眠阶段分类(52篇)和障碍检测(29篇)中的应用。研究发现：1)脑电信号(EEG)使用频率最高(单独使用36%)；2)神经网络(CNN、LSTM等)占主导地位；3)准确率(86.42%)是最常用评估指标。该研究为临床实践提供了重要的技术选型参考。

关键技术包括：1)采用PRISMA框架进行文献筛选(初始185篇→最终81篇)；2)基于Physionet等公开数据集(如Sleep-EDF)和医院专有数据；3)对比分析32种AI算法在信号处理、特征提取和分类性能上的差异；4)建立多维度评估体系(准确率、F1值、Kappa系数等)。

【睡眠阶段分类技术】研究显示：1)混合模型如CNN+BiLSTM在Sleep-EDF数据集上取得87.3%准确率；2)ResNet-TCN架构通过20折交叉验证达到86.2%准确率；3)轻量级模型如LightGBM在可穿戴设备中实现96%的清醒阶段识别准确率。

【睡眠障碍检测进展】突出成果包括：1)CNN-LSTM模型对阻塞性睡眠呼吸暂停(OSA)检测达96.1%准确率；2)随机森林(RF)在快速眼动睡眠行为障碍(iRBD)筛查中AUC达0.95；3)3D-CNN对皮质活动分析实现99.81%的RBD识别准确率。

【技术路线比较】神经网络展现显著优势：1)CNN在特征提取方面具有天然优势，适合处理EEG非平稳信号；2)LSTM擅长捕捉睡眠阶段的时序依赖性；3)集成学习方法如XGBoost在样本不平衡场景表现稳健。但研究也指出当前局限：1)多数模型依赖特定数据集，泛化能力待验证；2)对罕见睡眠障碍(如猝倒症)研究不足。

该综述的重要意义在于：1)首次系统比较了不同AI技术在睡眠研究中的应用场景；2)提出多模态数据融合是未来方向(如EEG+ECG+呼吸信号)；3)强调临床可解释性的重要性，为AI辅助诊断系统开发提供了方法论指导。随着可穿戴设备普及，这些发现将推动家庭化睡眠监测技术的发展，有望缓解医疗资源压力并提高早期筛查效率。