《Biomedical Signal Processing and Control》:Transient aware EEG representation for sleep apnea subtype classification using adaptive segmentation
编辑推荐:
研究人员提出了一种瞬态感知的脑电(Electroencephalogram, EEG)表示方法,该方法能够保留呼吸暂停事件内短暂的EEG模式。通过利用谱散度(spectral divergence)和伽马频带爆发(gamma-band burst)线索实现自适
研究人员提出了一种瞬态感知的脑电(Electroencephalogram, EEG)表示方法,该方法能够保留呼吸暂停事件内短暂的EEG模式。通过利用谱散度(spectral divergence)和伽马频带爆发(gamma-band burst)线索实现自适应分割,并采用Hermite和Fourier分支分别编码波形形态和振荡频谱。结构化聚合策略支持四类呼吸暂停亚型分类。在UCDDB和MIT-BIH数据库上的测试证实了单通道EEG的稳健性能。
睡眠呼吸暂停(Sleep Apnea)是一种常见的睡眠相关呼吸障碍,以睡眠中反复出现气流减少或停止为特征,并伴随显著的心血管代谢和神经认知负担。阻塞性睡眠呼吸暂停(Obstructive Sleep Apnea, OSA)、中枢性睡眠呼吸暂停(Central Sleep Apnea, CSA)和混合性睡眠呼吸暂停(Mixed Sleep Apnea, MSA)源于不同生理机制,需不同治疗策略,因此亚型分类至关重要。多导睡眠图(Polysomnography, PSG)是临床标准,但其多传感器、依赖专家评分且资源密集。大多数自动方法依赖呼吸流量、血氧等外围信号,而脑电图(Electroencephalogram, EEG)能反映皮层对呼吸事件的响应。然而,现有EEG方法多采用固定30秒时期(epoch)建模,全局汇总特征易稀释短暂而局部的模式,难以捕捉事件相关的瞬态变化。为此,研究人员提出一种瞬态感知的EEG表示框架。
该研究提出了一种基于自适应分割的瞬态感知EEG表示方法,在30秒时期内检测事件敏感边界,将时期划分为若干子段,每段用Hermite分解和Fourier子带分析编码,再通过结构化聚合生成固定维度时期表示,最终用随机森林(Random Forest, RF)分类器实现四类分类。在UCDDB队列上,四类分类宏F
1达到0.8546±0.0231,二元分类F
1为0.8608±0.0141,优于多个传统和深度基线,消融实验证实各组件贡献。该研究的意义在于为单通道EEG睡眠呼吸暂停亚型分类提供了保留瞬态结构的生理学合理表示策略。
主要技术方法包括:数据来自圣文森特大学医院/都柏林大学睡眠呼吸暂停数据库(St. Vincent's University Hospital/University College Dublin Sleep Apnea Database, UCDDB)的25名受试者(21男4女)的C3-A2单通道EEG,以及MIT-BIH多导睡眠图数据库作为外部验证。预处理采用带通滤波(0.5–60 Hz)和50 Hz陷波。自适应分割使用多尺度谱散度(基于Jensen–Shannon散度和谱熵差)与伽马频带爆发线索检测边界。分段特征提取包含Hermite分解(波形形态)和Fourier子带分解(振荡频谱)。聚合特征包括分布统计、时间结构、多样性描述和全局频谱统计。分类采用贝叶斯优化的RF。
结果部分如下。
4.1 数据集:使用UCDDB 25名受试者,以1秒步长提取621,872个重叠30秒时期,按中心秒标签映射为Normal、OSA、CSA、MSA四类。
4.2 实验设置:采用受试者独立80/20分割和组分层五折交叉验证,超参数仅用训练集优化。
4.3 分类器选择:比较常见分类器,随机森林获得最高宏F
1,故选用RF。
4.4 基线比较:与三个手工特征基线(BL1、BL2、BL3)比较,所提方法(PM)在所有指标上最高,四类F
1提升4.44个百分点。
4.5 与深度EEG模型比较:在相同协议下与EEGNet、CNN、CNN-LSTM、Transformer、Spectrogram-CNN比较,PM的F
1为85.46±2.31,优于最佳深度基线79.91±4.68。
4.6 消融研究:移除自适应建模或固定频谱特征均导致性能下降,组合完整模型最佳,四类F
1比仅固定频谱高0.063。
4.7 受试者五折交叉验证:四类宏F
1为0.8546±0.0231,二分类F
1为0.8608±0.0141,且类别分析显示少数类MSA仍有一定稳定性。
4.8 对时期重叠的敏感性:采用非重叠30秒窗口,四类和二分类F
1仍达0.8040和0.8329,说明性能不完全依赖重叠。
4.9 统计显著性分析:与三个基线进行配对t检验,经Holm–Bonferroni校正后全部显著,效应量大。
4.10 监督UMAP分析:PM投影中四类形成较清晰簇,MSA形成孤立簇,而基线类别重叠较多。
4.11 MIT-BIH补充评估:在MIT-BIH的不同标签方案下,四类任务中Normal和阻塞性呼吸暂停识别率高,二元任务准确率0.9389,支持可迁移性。
4.12 案例级多模态生理对应:选取OSA伴觉醒、OSA无觉醒、CSA无觉醒三例,显示所选段与气流恢复附近的双侧EEG变化、SpO
2下降等合理对应。
讨论部分指出,瞬态感知表示比固定时期方法更有效保留事件相关EEG变化,深度比较中PM优于Transformer等模型。多模态案例支持所选段具有生理可解释性,但仅代表案例级合理性。局限性包括UCDDB样本量小、男性占主导、MSA事件少;外部数据标签方案不同,不能直接验证UCDDB四类任务。研究结论表明,瞬态时期内的结构是单通道EEG分析的有用成分;在UCDDB上,四类宏F
1为0.8546±0.0231,二分类F
1为0.8608±0.0141;加入自适应局部建模比单独固定时期频谱特征改善F
1 6.3和5.8个百分点;非重叠窗口实验保留了F
1 0.8040和0.8329。结果支持该框架作为生理学合理的表示策略,但需更大更均衡的多中心队列、统一亚型标签和严格的EEG-only伪影控制来确立外部和临床泛化性。