《Neurocomputing》：MetaSTH-sleep: Towards effective few-shot sleep stage classification with spatial-temporal hypergraph enhanced meta-learning
编辑推荐：
基于生物信号的睡眠阶段准确分类不仅对自动睡眠阶段标注至关重要，也对临床健康管理和连续睡眠监测具有基础性意义。传统上，该任务依赖经验丰富的临床医生手动标注数据，这一过程既耗时又费力。近年来，深度学习方法在自动化该任务方面展现出潜力。然而，仍存在三个主要挑战：（1
基于生物信号的睡眠阶段准确分类不仅对自动睡眠阶段标注至关重要，也对临床健康管理和连续睡眠监测具有基础性意义。传统上，该任务依赖经验丰富的临床医生手动标注数据，这一过程既耗时又费力。近年来，深度学习方法在自动化该任务方面展现出潜力。然而，仍存在三个主要挑战：（1）深度学习模型通常需要大规模标注数据集，在标注数据有限的实际环境中效果不佳；（2）生物信号的显著个体间差异常导致模型应用于新受试者时性能不一致，限制泛化能力；（3）现有方法往往忽略生物信号间的高阶关系，未能同时捕捉信号异质性与时空依赖性。为应对这些问题，研究人员提出了MetaSTH-睡眠，一种基于时空超图增强元学习的小样本睡眠阶段分类框架。该方法仅需少量标注样本即可快速适应新受试者，同时超图结构能有效建模脑电图（EEG）信号中的复杂空间互连与时间动态。实验结果表明，MetaSTH-睡眠在不同受试者间取得了显著性能提升，为支持临床医生进行睡眠阶段标注提供了有价值的见解。
**论文解读：MetaSTH-睡眠——基于时空超图增强元学习的小样本睡眠阶段分类框架**
**研究背景与问题**
睡眠阶段准确分类是临床睡眠障碍诊断、睡眠质量改善及长期健康管理的基础。传统方法依赖于多导睡眠图（PSG）采集来自多个器官的生理信号，包括脑电图（EEG）、眼电图（EOG）、肌电图（EMG）和心电图（ECG），并依靠临床医生手动标注，耗时费力。近年来，深度学习（如卷积神经网络CNN、循环神经网络RNN）在自动化睡眠阶段分类中取得进展，但仍面临三大挑战：第一，深度学习模型需要大规模标注数据，而实际临床中标注数据有限（数据稀缺问题）；第二，生物信号存在显著个体间差异，模型在新受试者上泛化能力差；第三，现有方法多关注节点间的成对连接，忽略了脑区之间及信号模态间的高阶关系（如三个及以上脑区的同时交互），且未能同时捕捉EEG信号的空间异质性与时间依赖性。为此，研究人员提出MetaSTH-睡眠，将时空超图与元学习相结合，旨在实现小样本条件下对新受试者的快速适应，并有效建模EEG信号中的高阶时空关系。
**关键技术方法（不超过250字）**
研究人员采用模型无关元学习（MAML）框架，学习元参数以支持快速适应新任务（每个任务对应一个受试者的PSG记录）。核心创新在于动态时空超图构建：每个时间步将EEG通道特征作为节点，通过基于重建的机制动态生成空间超边（连接同一时间步内多个节点）和时间超边（连接相邻时间步节点），从而编码高阶关系。超边嵌入更新采用平均池化，节点嵌入更新通过多头注意力机制自适应融合空间与时间超边信息。此外，引入重建损失辅助分类损失进行联合优化。实验在三个公开数据集（ISRUC-1、ISRUC-3、UCD）上进行，其中ISRUC来自科英布拉大学医院睡眠医学中心，UCD来自圣文森特大学医院/都柏林大学学院，共包含100名、10名和25名受试者。
**研究结果**
**性能比较（RQ1）：** 在ISRUC-3、ISRUC-1和UCD数据集上，MetaSTH-睡眠在总体准确率（Acc）和每类F1分数上均优于所有12种基线方法（包括RF、BLSTM、ACNN、GAT、STHL、DeepSleepNet、SeqSleepNet、GraphSleepNet、U-Sleep、MAML、MSL、Meta-Transformer）。例如，在ISRUC-3上Acc达0.8052，在UCD上达0.7150，且在所有睡眠阶段（Wake、N1、N2、N3、REM）上均取得最高F1分数。研究还对比了计算成本：MetaSTH-睡眠训练时间（25.3分钟）长于无元学习变体（10.6分钟），但适应新受试者仅需0.08秒，与变体相当。
**混淆模式分析（RQ2）：** 通过混淆矩阵分析，MetaSTH-睡眠的混淆矩阵在所有模型中具有最高的真阳性计数，显著减少了睡眠阶段间的误分类，尤其是N1与REM、N2与N3之间的混淆，这得益于其时空超图对高阶关系的建模和元学习的快速适应能力。
**鲁棒性分析（RQ3）：** 在ISRUC-3上进行留一受试者测试，MetaSTH-睡眠在每个受试者上均取得最高Acc和F1分数（如受试者8：Acc 0.8293，F1 0.8183），而传统方法（如RF）波动大（Acc范围0.3282–0.5536），表明元学习与超图结合显著提升了跨受试者泛化鲁棒性。
**适应步数与支持集大小的影响（RQ4）：** 随着适应步数增加，Acc和F1先升后降，3步时达到峰值（Acc 0.8136，F1 0.8052），超过3步出现过拟合。支持集大小（n-shot）分析显示，5-shot时性能最优，1-shot不足，0-shot最差，说明存在最优支持集大小平衡信息充分性与过拟合。
**可解释性分析（RQ5）：** 通过可视化学到的空间与时间超边（通道-通道热图）发现：空间超边连接了EEG通道（如C3、O1）以及EOG与枕叶EEG通道，反映了PSG中眼动对枕叶皮层活动的影响；时间超边显示出EOG、EMG、ECG的持续性模式，对应REM睡眠中的眼动及肌肉、心脏活动的时间连续性，证明超图结构具有生理意义。
**消融实验（RQ5）：** 移除超图构建（替换为成对连接）导致Acc下降约3–4%；分别移除空间或时间超边均导致性能下降，且移除时间超边下降更明显；移除多头注意力机制导致Acc显著下降（ISRUC上从0.8052降至0.6383）；移除元学习框架后Acc最低（ISRUC上0.5987，UCD上0.5989），验证了各组件的重要性。训练损失曲线显示，基于重建的超边损失平滑下降，而成对连接损失波动大且收敛值更高，表明超图结构更稳定。
**讨论与结论**
研究结论部分翻译如下：本文提出了一种基于时空超图增强元学习的小样本睡眠阶段分类框架，命名为MetaSTH-睡眠。该框架在有限数据条件下实现了对新受试者的快速高效适应，有效解决了数据稀缺挑战。最重要的是，通过将时空超图融入元学习范式，该框架能够同时从EEG信号中捕获隐藏的空间相关性和时间依赖性，从而实现对EEG信号的强大表示学习。通过对比多种基线和模型变体的全面实验，验证了MetaSTH-睡眠的有效性和优越性。此外，广泛的敏感性分析证明了模型在适应步数和支持集大小等关键元学习参数上的鲁棒性。实验结果证实，所提框架为在小样本睡眠阶段分类场景中利用时空超图和元学习提供了一种泛化且有效的解决方案，进而有助于更可靠的睡眠及相关健康管理。
