《Brain Sciences》：A Multi-View Graph Convolutional Network with Context Gating for Frequency-Aware Sleep Stage Classification
编辑推荐：
背景：睡眠分期对于评估睡眠结构和辅助诊断睡眠相关疾病至关重要。人工评分耗时且受评分者间差异影响，而联合建模脑电图（EEG）通道关系与频率特征仍具挑战性。方法：研究人员提出DCMG-Net（双分支卷积神经网络与上下文门控多视图图网络），一种结合多视图图卷积与上下
背景：睡眠分期对于评估睡眠结构和辅助诊断睡眠相关疾病至关重要。人工评分耗时且受评分者间差异影响，而联合建模脑电图（EEG）通道关系与频率特征仍具挑战性。方法：研究人员提出DCMG-Net（双分支卷积神经网络与上下文门控多视图图网络），一种结合多视图图卷积与上下文门控的频率感知网络，仅使用EEG进行五类睡眠分期。多尺度卷积与注意力机制提取通道特征。功能连接矩阵、全局可学习矩阵及四个生理频带邻接矩阵定义了六个图视图，其表示通过上下文门控进行自适应融合。结果：在Sleep-EDF-20、ISRUC-S3及睡眠心脏健康研究（SHHS）数据集上，总体准确率分别为91.2%、90.0%和86.3%；宏F1分数分别为84.4%、88.7%和77.2%；Cohen‘s κ值分别为0.88、0.87和0.81。宏F1分别超过对比文献报道的最高值1.9、4.2和0.7个百分点。消融实验中，门控机制在ISRUC-S3和SHHS上将宏F1较直接拼接分别提升了6.1和2.3个百分点。结论：频带拓扑与上下文门控共同利用EEG频率信息和通道关系改进了多视图分类，为便携式睡眠监测与计算机辅助临床评分提供了方法论基础。
论文解读：基于上下文门控的多视图图卷积网络实现频率感知睡眠分期
研究背景与问题
睡眠分期是评估睡眠结构和诊断睡眠相关疾病的关键环节。临床上，专家通常依据标准化评分标准对整夜多导睡眠图（PSG）记录进行判读，但人工评分不仅耗时费力，还易受评分者间差异和疲劳因素影响。基于脑电图（EEG）的自动睡眠分期可以简化输入信号，支持便携式监测和大规模睡眠数据分析，因此成为研究热点。然而，现有深度学习方法主要聚焦于时间表征和通道关系建模，在联合建模EEG通道间的关联性与不同频率特性方面仍然面临挑战。非快速眼动（NREM）睡眠包含N1、N2和N3期，其中N3期的δ慢波和N2期的σ频段睡眠纺锤波具有鲜明的频谱特征，这提示有必要引入频率感知的多视图建模策略。此外，如何有效融合来自不同视图的特征也是一个关键设计问题。为此，研究人员开发了DCMG-Net（双分支卷积神经网络与上下文门控多视图图网络），旨在统一多尺度EEG特征、频带特异性通道拓扑与自适应融合机制，实现端到端的睡眠分期。
研究方法与技术路线
研究人员采用了多项关键技术方法。首先，使用双分支一维卷积神经网络（1D-CNN）与卷积块注意力模块（CBAM）从每个EEG通道中提取宽频带时间特征，大尺度分支捕获慢波等低频模式，小尺度分支捕捉纺锤波等局部振荡。其次，构建六种图视图：功能连接矩阵由节点特征动态生成，全局可学习邻接矩阵提供样本共享的通道关系，四个生理频带邻接矩阵（δ: 0.5–4 Hz、θ: 4–8 Hz、α: 8–13 Hz、σ: 12–15 Hz）通过带通滤波后的皮尔逊相关系数计算得到。每种视图由独立的图卷积网络（GCN）编码，并通过残差连接与层归一化稳定训练。最后，采用上下文门控机制将六个图级表示拼接后自适应重校准，再经多层感知机（MLP）分类头输出五个睡眠阶段（清醒W、N1、N2、N3、快速眼动REM）。实验使用了三个公开数据集：Sleep-EDF-20（20名受试者，Fpz-Cz和Pz-Oz两通道）、ISRUC-S3（10名健康受试者，六通道EEG）和睡眠心脏健康研究（SHHS，329名受试者，C4-A1和C3-A2两通道），均采用受试者独立的外交叉验证。
研究结果
整体分类性能
DCMG-Net在三个数据集上均取得了优异表现。在Sleep-EDF-20上，总体准确率（ACC）达91.2%，宏F1（MF1）为84.4%，Cohen’s κ为0.88；各阶段F1得分分别为W 98.7%、N1 52.9%、N2 91.9%、N3 93.6%、REM 84.8%。在ISRUC-S3上，ACC、MF1和κ分别达到90.0%、88.7%和0.87，各阶段F1较为均衡（W 93.3%、N1 70.1%、N2 90.2%、N3 93.9%、REM 95.9%）。在SHHS上，相应指标为86.3%、77.2%和0.81，REM的F1高达91.7%。
模型复杂度
DCMG-Net参数量较小：ISRUC-S3配置下为0.730694百万参数，Sleep-EDF-20和SHHS均为0.267334百万参数；计算成本分别为278.726、227.136和170.787百万浮点运算（MFLOPs）。
混淆矩阵分析
预测主要集中在正确类别对角线上。N1是最主要的错误来源，容易被误分为REM、N2或W。在SHHS上，N3被预测为N2的混淆现象较为明显，表明模型对过渡阶段和相邻阶段的区分能力仍有提升空间。
多视图响应与邻接矩阵可视化
视图遮挡敏感性分析显示，不同视图对各阶段的贡献存在差异，例如全局视图对N3的遮挡敏感度较高。上下文门控产生的样本级权重随输入变化，体现了自适应重校准的效果。各视图的邻接矩阵呈现阶段依赖的权重分布，功能与频带特定视图随输入变化，全局视图则提供稳定的跨阶段通道关系。
消融研究
在ISRUC-S3上的增量消融实验表明：基线CNN的ACC为84.1%、MF1为78.2%；加入CBAM后MF1提升至85.3%；增加功能GCN使MF1升至85.9%；多视图直接拼接导致MF1下降至82.6%；完整DCMG-Net通过上下文门控将MF1提升至88.7%，比直接拼接高出6.1个百分点。在SHHS上，门控同样优于拼接（77.2% vs. 74.9%）。替代架构比较中，DCMG-Net在两个数据集上的MF1均显著高于六分支MLP+门控和频率感知CNN/注意力基线。
图构建与训练敏感性
线性映射处理相关性优于仅保留正相关或分离正负通道。4秒汉明窗FIR滤波器效果最佳。原始采样率优于重采样方案。额外带通滤波反而降低性能。生理频带邻接矩阵显著优于随机冻结滤波器或等宽频带。数据增强在ISRUC-S3和SHHS上分别带来10.0和6.9个百分点的MF1提升。上下文长度选择上，ISRUC-S3最优为单周期（30秒），Sleep-EDF-20为5周期（150秒），SHHS为3周期（90秒）。
结论与展望
DCMG-Net通过统一多尺度EEG特征、频带特异性通道拓扑与上下文门控，实现了端到端的EEG睡眠分期框架。实验证明其在多种通道配置下的有效性，消融实验证实门控机制相比直接拼接在ISRUC-S3和SHHS上分别将MF1提升了6.1和2.3个百分点。该框架为联合利用频率信息和通道关系提供了可复用的方法论基础。未来工作将聚焦于过渡阶段的精细判别与模型机制的可解释性，包括引入睡眠事件标注指导频带表示，以及通过重复训练、跨数据集评估和外部测试集验证泛化能力。针对便携式监测需求，还将探索参数共享、剪枝与量化等方法优化模型效率。
