《npj Digital Medicine》：AnySleep: a channel-agnostic deep learning system for high-resolution sleep staging in multi-center cohorts
编辑推荐：
睡眠对健康至关重要，然而研究其动态特征需依赖人工睡眠分期，这一步骤在科研与临床中耗时费力。跨中心多导睡眠图（polysomnography, PSG）记录传统上以30秒时段（epoch）进行判读，该惯例源于人工判读纸带的实际限制而非生理依据，且各中心在电极数量
睡眠对健康至关重要，然而研究其动态特征需依赖人工睡眠分期，这一步骤在科研与临床中耗时费力。跨中心多导睡眠图（polysomnography, PSG）记录传统上以30秒时段（epoch）进行判读，该惯例源于人工判读纸带的实际限制而非生理依据，且各中心在电极数量、导联连接（montage）与受试者特征上差异显著。上述约束阻碍了多中心研究的协同标准化，也限制了在更短时间尺度上发现稳健生物标志物。研究人员提出AnySleep，一种深度神经网络，可从任意脑电图（electroencephalography, EEG）或眼电图（electroculography, EOG）数据中以可调时间分辨率进行睡眠判读。该模型在来自28个数据集、多家中心的逾20,589例夜间记录（>200,000小时EEG与EOG数据）上完成训练与验证，以提升跨中心泛化能力。模型在30秒时段下达到当前最优性能，优于或持平既有基线。性能随通道数增加而提升，但在缺失EOG、仅用EOG或仅用单导联EEG（额区、中央区或枕区）时仍保持较强表现。在亚30秒时间尺度上，模型可捕捉与微觉醒（arousal）一致的短暂清醒侵入，并较30秒判读改善对病理生理疾病的预测，包括阻塞性睡眠呼吸暂停（obstructive sleep apnea, OSA）、1型发作性睡病（narcolepsy type 1, NT1）与失眠（insomnia）。研究人员公开该模型，以推动异质电极配置下的大队列研究并加速睡眠生物标志物发现。
论文解读：面向异质导联与高时间分辨率的AnySleep睡眠分期框架
研究背景与问题提出
睡眠结构评估在睡眠障碍、心肺代谢疾病、精神与神经退行性疾病研究中具有诊断与预后价值。临床与科研依赖多导睡眠图（PSG）与专家判读的五阶段睡眠分期（Wake、N1、N2、N3、REM）。传统分期以30秒时段为单元，该约定源自早期纸带人工判读的工程便利，并非生理时间尺度依据；睡眠状态转换、微睡眠与微觉醒常发生在秒级，30秒窗口会平滑掉关键动态信息。同时，多中心PSG在电极数量、导联方案、人群与判读专家上存在异质性，使数据难以协同；人工高分辩率标注成本极高且评分者间一致性下降。已有自动分期模型如U-Sleep虽支持高频率输出，但输入模态与通道数相对固定，难以原生融合多通道异质配置。因此，亟需一种兼具跨中心泛化、导联灵活性与可调时间分辨率的自动分期系统。
研究方案与核心结论
研究人员构建AnySleep，一种结合U-Net式编码-解码结构与通道注意力（channel-attention）模块的深度学习架构，可接受任意可用EEG与EOG通道组合，并以最高128赫兹输出分期概率，即最小时间分辨率约0.008秒。训练数据涵盖28个数据集、20,589例夜间记录、约200,000小时信号，划分为13个训练/验证数据集与15个独立测试数据集。结果显示：AnySleep在30秒分期上匹配或优于U-Sleep；对导联类型、脑区位置与输入顺序不敏感；性能随通道数提升而增长，缺失EOG时仅轻度下降；在亚30秒尺度可表征短暂清醒侵入与微觉醒，并基于转移模式改善OSA、NT1与失眠的判别。论文发表于《npj Digital Medicine》，意义在于为大规模异质PSG队列提供可复用的分期与生物标志物挖掘工具。
主要关键技术方法
研究人员采用多中心回顾性PSG队列（28个数据集，含健康人与患者人群），以五类睡眠阶段为标签，训练端到端神经网络。架构上，各通道先经独立编码器提取层级特征，再由多层级通道注意力模块按可学习权重融合为跨通道表征，解码器输出可配置帧率的分期概率。训练中对输入通道数量与种类做随机掩码采样，以迫使模型适应缺失导联。高分辨率分析采用连续Wake概率提取3至15秒片段对应微觉醒；以睡眠阶段三元组（triplet）转移计数结合随机森林（random forest, RF）分类器判别疾病表型。对比基线包括U-Sleep及早期融合、晚期融合变体。
研究结果
数据集与模型训练
在28数据集、逾2万记录上划分训练与留出的独立测试集。AnySleep以通道无关方式接受EEG/EOG，随机化通道配置训练，验证其跨中心适用性。
鲁棒性对通道配置的依赖
在单通道与双通道排列测试中，AnySleep宏F1（macro F1, MF1）波动极小：双通道约0.726至0.760，单枕区EEG低至0.710仍接近最优；U-Sleep在交换EEG/EOG顺序或改用双EEG时显著下降。增加EEG通道数可持续提升性能，6 EEG加1 EOG时MF1达0.771；去除EOG改用额外EEG仅轻度回落，说明EOG提供互补模态信息。AnySleep单前向传播优于U-Sleep多通道投票聚合。
高频率睡眠分期能力
因亚30秒缺乏标准专家标签，研究人员以专家标注微觉醒作间接验证。30秒预测仅覆盖7.7%觉醒时间；约2秒分辨率下，专家觉醒与模型Wake预测重叠升至57.7%。以3至15秒连续Wake段作为候选觉醒，交并比（intersection-over-union, IoU）F1最高0.442，最佳尺度2至8秒。进一步用高分辨率三元组特征训练RF：OSA、NT1、失眠判别MF1分别达0.91、0.86、0.82，优于30秒特征；不同疾病对应特异转移模式，如OSA的N2→Wake→N2、NT1的REM-清醒不稳定、失眠的NREM清醒侵入。
通道注意力模式
注意力权重随网络深度动态变化，浅层与深层关注通道不同，且不同训练运行间策略不完全一致但性能相近。深层模块可聚焦单一通道（权重可达88%），全局平均则各通道贡献均衡，表明模型学习整合多通道而非依赖固定导联。
通道注意力放置影响
对比早期融合、晚期融合与中间层渐进融合：基线AnySleep（中层多模块）分布内测试MF1 0.812，留出测试0.777，均优于早期融合与U-Sleep。早期融合限制逐通道特征提取，晚期融合未能充分利用跨通道时序交互；渐进式多深度融合最优。
讨论与结论翻译
讨论指出，AnySleep首次在单一框架中同时实现通道无关输入、跨中心泛化与可调高时间分辨率。高分辨率输出可揭示30秒分期掩盖的睡眠碎片与转移不稳定性，并为OSA、NT1、失眠及潜在神经疾病提供可解释特征。局限包括：高分辨率标签缺乏金标准，性能受人工一致性天花板限制；留出院系数据存在分布偏移；小样本阶段（如N1）与训练随机性仍带来波动；模型体积对低功耗端侧部署有挑战。
研究结论部分翻译如下：
研究人员提出AnySleep，一种可接受任意EEG与EOG组合并以可调时间分辨率输出睡眠分期的深度神经网络。在未见过的留出院系数据上，AnySleep匹配或略优于U-Sleep，并在异质导联下保持稳健。通过通道注意力，模型在单通道至高密度导联均有效，且性能随空间覆盖提升。高于常规30秒的分期揭示微觉醒与疾病相关转移动态，显示其在生物标志物发现中的价值。AnySleep推动多中心、可协调的大规模睡眠研究，并以公开代码与权重及易用平台支持后续转化。
论文解读初稿已完成，接下来可以选择一个方向继续深化：
提炼AnySleep的模型架构与技术细节 设计高分辨率睡眠分期的验证实验 提炼AnySleep的模型架构与技术细节 设计高分辨率睡眠分期的验证实验
