《Electronics》：Pediatric Sleep Staging from Clinical Polysomnography: EEG Channel Relevance, Multimodal Fusion, and Adult-to-Pediatric Transfer
编辑推荐：
自动睡眠分期在成人中已被广泛研究，但在儿童中探索较少，因为临床儿科多导睡眠图（polysomnography, PSG）数据集有限，且睡眠生理随发育而变化。研究人员从维克托·戈莫尤儿童医院（Victor Gomoiu Children's Hospital,
自动睡眠分期在成人中已被广泛研究，但在儿童中探索较少，因为临床儿科多导睡眠图（polysomnography, PSG）数据集有限，且睡眠生理随发育而变化。研究人员从维克托·戈莫尤儿童医院（Victor Gomoiu Children's Hospital, VGCH）档案中收集了一个临床儿科PSG数据集，包含20名9–17岁儿童的整夜记录。利用AttnSleep模型，研究人员评估了脑电图（electroencephalogram, EEG）通道相关性、眼电图（electrooculogram, EOG）和肌电图（electromyogram, EMG）信号的贡献，以及从SHHS和Sleep-EDFx数据集进行的成人至儿科迁移学习。在单个EEG导联中，P4取得了最高的交叉验证（cross-validation, CV）均值，准确率为79.5%，平衡准确率为70.8%，而多个颞区和后区导联表现相似。添加两个EOG通道将平均准确率提升至82.9%，宏平均F1分数（macro-F1）提升至74.9%，平衡准确率提升至75.0%，而EMG带来的变化较小。最高性能出现在Sleep-EDFx EEG+EOG预训练并在VGCH上全微调后，达到84.0%的准确率、76.4%的宏平均F1分数和76.4%的平衡准确率。在这20例记录的队列中，观察到的模式凸显了EEG与EOG结合的价值，并支持进一步评估成人至儿科迁移学习用于儿科睡眠分期分类。
**论文解读：基于临床多导睡眠图的儿科睡眠分期——EEG通道相关性、多模态融合与成人至儿科迁移学习**
**1. 研究背景与问题**
睡眠是支持大脑成熟、情绪调节、学习、代谢稳态及心血管健康的基本生理过程，尤其在儿童期和青春期至关重要。睡眠不足或紊乱可导致儿童行为、认知、心理及心脏代谢方面的不良后果。与成人不同，儿童的睡眠结构、脑电图（EEG）形态、觉醒模式及睡眠阶段转换动力学随发育显著变化，因此儿科多导睡眠图（PSG）解读需考虑年龄因素，且不能默认基于成人数据训练的模型可可靠推广至儿童。然而，自动睡眠分期研究长期以成人数据集（如Sleep-EDF、SHHS、MASS、ISRUC-Sleep）为主，公开的儿科PSG资源稀缺，尽管近期出现了NCH和BCH等大型数据集，但儿科自动睡眠分期在基准测试和系统性方法分析上仍远落后于成人。现有儿科研究显示，在年龄相对同质、导联标准化的队列中自动分期可达较高性能，但年龄和临床复杂性仍是性能变异的重要来源。此外，睡眠分期信息在EEG导联间分布不均，EOG和颏下EMG提供互补信息，但现有研究对EEG导联评估有限，且多模态配置固定。成人至儿科迁移学习虽有初步探索，但不同源数据集（如SHHS与Sleep-EDFx）的对比尚不明确。因此，本研究旨在利用临床儿科PSG数据集，系统评估EEG导联相关性、EOG/EMG贡献以及成人至儿科迁移学习的条件。
**2. 研究内容与主要发现**
研究人员从维克托·戈莫尤儿童医院（VGCH）档案中提取了20例9–17岁儿童的整夜PSG记录（男女各10例），排除影响脑功能的神经疾病患者，依据AASM标准进行睡眠分期标注。采用AttnSleep作为固定骨干架构，首先进行19个EEG导联的单导联性能评估，然后固定表现最佳的P4导联，依次添加EOG和EMG信号，最后比较从SHHS和Sleep-EDFx两个成人源数据集预训练后迁移至VGCH的效果，包括全网络微调和仅分类器微调两种策略。主要发现包括：P4导联在单导联中取得最高交叉验证均值（准确率79.5%，平衡准确率70.8%）；添加双侧EOG后准确率提升至82.9%，而EMG贡献较小；Sleep-EDFx EEG+EOG预训练并全微调达到最佳性能（准确率84.0%，宏平均F1 76.4%，平衡准确率76.4%）。N1阶段是最难分类的阶段，EOG的加入显著改善其F1分数（从12.1%提升至34.6%）。全网络微调优于仅分类器微调，且EEG+EOG迁移优于纯EEG迁移，即使源和目标EOG导联不完全一致（如ROC-LOC与LOC-A2），模态级匹配仍有效。
**3. 关键方法与技术**
- **数据集构建**：VGCH儿科队列（20例，9–17岁，男女各半），采集19导EEG、双侧EOG（LOC-A2、ROC-A1）和双通道颏EMG（Chin1、Chin2），依据AASM标准分期。成人源数据集SHHS（C4-A1）和Sleep-EDFx（Fpz-Cz）分别代表异质流行病学队列和健康成人队列。
- **信号预处理与质量评估**：50/60Hz陷波滤波、重采样至100Hz、分割为30s epoch，排除跨阶段或不完整epoch；采用确定性硬失败和软候选筛选，结合视觉审查确认伪迹剔除。
- **模型架构**：AttnSleep——多分辨率卷积特征提取器、压缩-激励残差块、时序注意力编码器及分类层。
- **训练协议**：Adam优化器（初始学习率1×10??，权重衰减1×10??），100轮训练，学习率在epoch 30/50/60/80乘以0.2，无早停。
- **迁移策略**：全微调（更新所有参数）与分类器仅微调（冻结特征提取层，仅训练分类层），源模型分别从SHHS和Sleep-EDFx预训练。
- **统计方法**：5折交叉验证（按受试者划分），配对比较采用修正交叉验证标准误差和校正t检验（自由度4），Holm校正多重比较；探索性导联分析采用Friedman检验和Kendall's W。
**4. 结果分析与讨论**
**4.1 单导联EEG性能**——19个导联中，P4取得最高折叠均值（准确率79.52%，平衡准确率70.78%），T3、T5、T6、O2等颞区和后区导联紧随其后，额区和中央区导联（C4、Cz、Fz）表现较低。Friedman检验显示导联间存在显著异质性（准确率p<0.001，Kendall's W=0.31），但P4与T3等差异仅0.5个百分点左右，表明存在紧密的领先组。该结果与NCH队列中额区和中央区优势不同，提示导联相关性可能依赖人群和记录导联。
**4.2 多模态输入贡献**——P4+LOC+ROC组合达到最高均值（准确率82.9%，宏F1 74.9%，平衡准确率75.0%），相比P4单独使用，平衡准确率提升5.95个百分点（Holm校正p=0.032）。单侧EOG也提升性能，而仅添加EMG变化较小且变异大。N1阶段的F1分数从P4的12.1%提升至P4+LOC+ROC的34.6%，而EMG对N1无改善，对REM反而降低。表明EOG提供更一致的互补信息。
**4.3 成人至儿科迁移**——所有全微调配置均优于从零训练，EEG+EOG全微调最佳配置（Sleep-EDFx预训练）达到准确率84.0%，平衡准确率76.4%，相比从零训练（P4+LOC）分别提升1.88和3.14个百分点（95%CI 0.65–3.10和-0.27–6.57）。分类器仅微调（SHHS-FC、EDFx-FC）性能低于全微调，平衡准确率差异为2.59（SHHS）和3.80（Sleep-EDFx）个百分点。EOG的加入使N1的F1提升10.7（SHHS）和13.1（Sleep-EDFx）个百分点，尽管源和目标EOG导联不同（ROC-LOC vs LOC-A2），模态级匹配仍有效。
**4.4 统计分析与讨论**——配对比较支持主要模式：EOG优于EMG，全微调优于分类器仅微调，Sleep-EDFx优于SHHS（在EEG+EOG配置下）。N1始终最难分类，可能因其在数据集中占比低（6.94%）、生理异质性强、无强制图形要素，且人工标注本身对N1一致性较低。研究限制包括：队列小（20例）、单中心、年龄范围窄（9–17岁）、主要针对头痛/偏头痛儿童，P4选择基于本队列数据，需独立验证。未来需扩大队列、纳入更年轻和更多样化人群、比较更多架构，并在独立儿科队列上验证。
**5. 结论**
本研究在单中心小队列中表明，后部导联（P4）在单个EEG导联中表现最佳，EOG显著优于EMG补充信息，且从成人EEG+EOG模型全微调可有效提升儿科睡眠分期性能。最佳配置（Sleep-EDFx预训练+P4+LOC全微调）达到84.0%准确率和76.4%平衡准确率。这些结果为儿科睡眠分期的导联选择、多模态输入和迁移学习提供了聚焦的基础，但需更大规模独立研究确认其普适性。研究发表在《Electronics》期刊。
