摘要
睡眠监测与分析对于了解整体健康状况、提升睡眠质量以及及早发现潜在疾病至关重要。本研究提出了一种多模态方法，利用有限的生物信号——单个脑电图（EEG）导联（F4–F3）、单个眼动图导联以及光电容积脉搏波（PPG）信号——实现自动睡眠分期与质量评估。所提出的方法包括分层睡眠分期分类器、自动睡眠分期算法，以及用于客观评估睡眠质量的个体化睡眠质量指数（SQI）。该5类睡眠分期分类器采用两级串联的3类模型结构（清醒期-快速眼动期-非快速眼动期以及N1-N2-N3阶段），在基于BOAS（Bitbrain开放获取睡眠数据集）中的生理信号（EEG、EOG和PPG）提取的多模态特征上进行训练与测试。最终得到的5类分类器准确率达90.8%，且内存占用仅为3.14 MB。为评估模型的通用性并避免训练集与测试集之间的数据泄露，研究采用了留一受试者法进行验证，结果表明该分类器在未见过的数据集上仍具有良好性能。随后，该分类器被整合到自动睡眠分期算法中。在14名未见过受试者上的验证显示，通过启发式后处理规则，算法的准确率在80.26%至91.99%之间；而基于隐马尔可夫模型（HMM）的方法进一步提升了性能，最高准确率可达91.99%。所提出的SQI结合了从睡眠分期中提取的各类睡眠相关指标，涵盖了睡眠的持续时间、强度以及连续性/碎片化程度等多个方面。研究还提出了一种校准策略，可根据睡眠评分参数以及通过睡眠日记和问卷得出的主观睡眠质量评分（PSQI）来定制SQI值。这一针对个体的策略在公共数据集上进行了验证，通过多晚的数据优化权重，随后在另一晚的独立测试中，计算出的SQI值与主观睡眠质量评分之间的一致性很高（平均绝对误差为10.81）。最后，该框架实现了高效能的睡眠分期与个性化质量评估，证明了其在实际长期睡眠监测中的应用潜力。
