人工智能在睡眠阶段分类与睡眠障碍检测中的系统综述：技术进展与临床应用展望

研究人员针对传统睡眠研究依赖人工判读效率低、成本高的问题，系统回顾了2016-2023年81篇文献，揭示了EEG等生理信号与CNN、LSTM等AI模型的结合应用，发现神经网络算法占比达47%，模型平均准确率达84.26%。该研究为临床睡眠医学提供了自动化分析框架，显著提升OSA、iRBD等疾病的诊断效率。

　　

睡眠质量直接影响人类身心健康，但传统睡眠研究依赖专业医师手动分析多导睡眠图（PSG），存在效率低下、成本高昂等问题。美国睡眠医学会（AASM）将睡眠分为清醒期（W）、快速眼动期（REM）和非快速眼动期（NREM）等五个阶段，而睡眠障碍如失眠、OSA等疾病的诊断更需要分析复杂的生理信号模式。这种人工主导的分析模式已难以满足现代医疗需求，亟需引入人工智能技术实现自动化分析。

研究人员通过系统分析81项研究（2016-2023）发现，脑电信号（EEG）是应用最广泛的生理参数，在36%的睡眠阶段分类研究中作为单一信号源，80%的研究将其与其他生理指标联用。神经网络模型以47%的使用率成为主导技术，其中卷积神经网络（CNN）表现尤为突出，在SleepEEGNet模型中实现84.26%的分类准确率。对于睡眠障碍检测，CNN-LSTM架构在OSA识别中达到96.1%的准确率，而随机森林（RF）在iRBD筛查中取得94%的AUC值。

研究采用文献计量学方法，通过PRISMA流程筛选185篇文献，最终纳入81篇进行深度分析。关键技术包括：1）多模态生理信号（EEG/ECG/EMG）特征提取；2）深度学习模型（CNN/RNN/LSTM）架构优化；3）交叉验证（10-fold CV/LOSO）评估体系。研究团队特别关注了Physionet等公开数据集与临床专有数据的整合应用。

【样本数据规模】

分析显示Sleep-EDF数据库使用频率最高（占比63%），样本量跨度从12例（UBC医院）到15,660例（21个数据集整合）。值得注意的是，Perslev等开发的U-Sleep模型在跨中心验证中保持79%的F1值，证实了模型的泛化能力。

【生理参数选择】

除EEG外，80%研究采用多参数组合，包括眼电（EOG）、肌电（EMG）和血氧饱和度（SpO₂）。Oura Ring等可穿戴设备通过加速度计和自主神经信号实现94%的居家监测准确率，为便携式诊断提供可能。

【模型性能比较】

CNN及其变体（如MRCNN）在52项睡眠分期研究中占比27%，其中MAResnet-BiGRU混合模型取得81.73%的准确率。对于睡眠障碍，集成学习方法如XGBoost在OSA风险预测中表现优异（AUROC=96.1%），而3D-CNN在iRBD识别中达到99.81%的惊人准确率。

【评估指标体系】

86.42%研究采用准确率作为核心指标，辅以F1值（46.91%）和Cohen's Kappa（39.51%）。值得注意的是，U-Sleep模型在跨数据集验证中保持0.675的Kappa值，显著高于传统R&K标准的人工判读一致性。

该研究证实AI模型可显著提升睡眠分析的标准化程度，CNN-LSTM架构对30秒睡眠分期的处理速度比人工快200倍。未来研究方向应聚焦：1）多中心临床验证；2）可解释AI技术应用；3）居家监测设备集成。发表于《Heliyon》的这项综述为睡眠医学的数字化转型提供了重要方法论指导，特别对资源有限的医疗机构具有实践意义。