基于心冲击图信号与注意力机制-XGBoost融合模型的睡眠分期精准化研究

这篇研究创新性地提出了一种基于非接触式心冲击图（BCG）的睡眠分期方法，通过连续小波变换（CWT）和低通滤波提取心率变异性（HRV）与呼吸率变异性（RRV）特征，结合注意力机制与XGBoost的融合模型（Fast-ABC Boost）实现特征优选，在10,201个睡眠片段上达到89.85%的准确率。该方法有效解决了传统接触式传感器干扰舒适度、BCG信号噪声敏感及数据类别不平衡等问题，为家庭健康监测和个性化睡眠管理提供了高精度解决方案。

　　

1 引言

现代生活节奏加速导致睡眠障碍发病率持续上升，准确区分睡眠阶段对理解睡眠机制和疾病管理至关重要。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_1-3）五个阶段。传统基于心电图（ECG）的心率变异性（HRV）分析需接触式电极，而心冲击图（BCG）通过压力传感器非接触采集心脏活动信号，成本低且与HRV分析一致性高。然而，BCG易受个体差异和运动噪声干扰，且睡眠数据存在N2阶段占比超40%、N1阶段不足5%的类别失衡问题。

2 方法

2.1 数据预处理

心率和呼吸信号分离：原始BCG信号（图4）经多尺度连续小波变换（CWT）提取J峰位置，生成JJ_i序列；0.5Hz低通滤波提取呼吸峰值形成BB_i序列（图6）。通过设置峰值高度阈值（>正部均值）和显著性阈值（0.3倍标准差）排除干扰，并采用动态时间窗口（1/2/5/10分钟）捕捉长程生理趋势。

2.2 特征选择与优化

从JJ_i和BB_i序列提取232维HRV/RRV特征（表2），包括时域、频域和非线性指标。创新性提出注意力-XGBoost融合框架（图7）：

• 注意力层：通过全连接层和Sigmoid函数生成特征权重，突出关键信息；
• XGBoost迭代：基于二阶泰勒展开的目标函数（公式1-2）计算特征重要性，结合INFO算法优化参数（学习率0.4546，迭代645次）；
• 动态更新：按权重排序筛选前70个特征（图8），其中BB_median_2min权重最高（0.030）。

2.3 类别平衡与模型训练

采用合成少数类过采样技术（SMOTE）解决数据失衡，生成新样本公式为：New Sample = X_i + λ×(X_i^NN - X_i)。Fast-ABC Boost模型通过三阶段策略提升效率：

• s-最差类别策略：每轮仅从s个表现最差的类中优选基类；
• 间隙参数g：每g+1轮执行一次搜索，降低计算开销；
• 预热参数w：前w轮不启动基类选择，提升稳定性。

3 实验结果

在10名健康受试者（3男7女，平均28岁）的8,861小时BCG数据中，模型表现如下：

• 长时窗特征优势：引入2/5/10分钟特征后准确率从57.90%提升至84.02%（+26.12%）；
• 特征选择价值：优选70维特征后准确率达89.85%，较原始特征集提升5.83%；
• 横向对比：显著优于PCA（59.03%）、t-SNE（49.76%）和Lasso（86.15%）等传统方法（表6）。

4 讨论与展望

该研究通过BCG信号实现了接近90%的睡眠分期准确率，其核心突破在于：

1. 多尺度特征融合：长时窗HRV/RRV特征有效捕捉睡眠周期动态；
2. 抗噪设计：CWT和双向滤波抑制了运动伪影；
3. 可解释性：注意力权重可视化揭示了BB_median_2min等关键生物标志物。
   未来需扩大样本量并开发标准化BCG睡眠数据库，以推动家庭睡眠监测技术的临床转化。