《Frontiers in Bioengineering and Biotechnology》：Sleep stage classification using instantaneous heart and breathing rates with a TCN-BiGRU-SE model
编辑推荐：
摘要翻译：
背景：睡眠分期是临床睡眠医学和可穿戴健康监测中的基础任务。传统睡眠分期方法主要依赖多导睡眠监测（polysomnography, PSG），其准确性高但涉及复杂仪器和较高成本，限制了其在家庭监测和大规模筛查中的应用。方法：为实现更便捷的睡眠结构
摘要翻译：
背景：睡眠分期是临床睡眠医学和可穿戴健康监测中的基础任务。传统睡眠分期方法主要依赖多导睡眠监测（polysomnography, PSG），其准确性高但涉及复杂仪器和较高成本，限制了其在家庭监测和大规模筛查中的应用。方法：为实现更便捷的睡眠结构评估，本研究提出一种基于瞬时心率（instantaneous heart rate, IHR）和瞬时呼吸率（instantaneous breathing rate, IBR）的多模态深度学习方法。研究中开发了TCN-BiGRU-SE网络，其中时间卷积网络（temporal convolutional network, TCN）提取多尺度时间特征，双向门控循环单元（bidirectional gated recurrent unit, BiGRU）捕获长期依赖，挤压-激励（squeeze-and-excitation, SE）模块通过通道注意力增强特征表示。该方法在两个公开数据集（睡眠心脏健康研究Sleep Heart Health Study和MESA）上进行四分类睡眠分期（清醒Wake、快速眼动REM、浅睡Light、深睡Deep）评估。结果：该方法在SHHS数据集上达到82.19%的总体准确率和0.74的Kappa系数，在MESA数据集上达到80.44%的准确率和0.70的Kappa值。该方法优于传统基于心率变异性（heart rate variability, HRV）和呼吸率变异性（respiratory rate variability, RRV）的方法及单模态模型，并在不同数据集间保持稳定性能。结论：这些结果表明，所提出的多模态框架为利用心肺信号进行睡眠分期提供了一种有效且可扩展的解决方案，具有良好的跨数据集泛化能力和实际可穿戴应用的潜力。
论文解读文章：
**研究背景与问题**
睡眠是维持生理稳态和心理健康的基本生理过程，其质量与认知表现、情绪调节和心血管功能密切相关。现代生活节奏加快和工作压力增加导致整体睡眠质量下降，睡眠障碍已成为重大公共卫生问题。在临床睡眠研究中，多导睡眠监测（PSG）被视为睡眠分期的金标准，它同时记录脑电图（EEG）、眼电图（EOG）、肌电图（EMG）、心电图（ECG）和呼吸信号等多种生理信号，提供全面的睡眠结构评估信息。然而，PSG需要复杂仪器、专业操作和较高成本，限制了其在家庭监测和大规模筛查中的应用。传统基于手工特征的机器学习方法（如使用心率变异性HRV和呼吸率变异性RRV特征结合隐马尔可夫模型、支持向量机、随机森林等分类器）虽然取得一定效果，但高度依赖手工特征设计，难以充分捕获生理信号中复杂的时序动态，泛化能力有限。近年来，深度学习方法实现端到端特征学习，在基于生理信号的自动睡眠分期中展现出潜力，但许多方法仍依赖单模态输入、预定义特征或较为复杂的传感设置。此外，心脏和呼吸动态之间的内在耦合尚未被充分利用。因此，有效捕获瞬时心率（IHR）和瞬时呼吸率（IBR）信号中的短期和长期时间依赖，仍是提高低负担睡眠分期性能的关键挑战。
**研究内容与结论**
针对上述问题，研究人员提出一种基于ECG和呼吸信号的多模态睡眠分期框架。具体地，从ECG提取IHR，从呼吸信号提取IBR，以表征心肺动态。设计TCN-BiGRU-SE网络，其中时间卷积网络（TCN）提取多尺度时间特征，双向门控循环单元（BiGRU）捕获长期依赖，挤压-激励（SE）模块通过通道注意力增强特征表示。该模型采用双分支结构，分别处理IHR和IBR序列，提取模态特定特征后进行融合，并进一步建模以捕获跨模态依赖和长程时间动态，最后通过分类层输出睡眠阶段预测。研究在两个公开数据集上进行评估：睡眠心脏健康研究（SHHS）和动脉粥样硬化多民族研究（MESA）。睡眠阶段按R&K标准标注，将S1、S2合并为浅睡（Light），S3、S4合并为深睡（Deep），最终分为四类：清醒（Wake）、快速眼动（REM）、浅睡（Light）和深睡（Deep）。实验结果表明，该方法在SHHS数据集上达到82.19%的总体准确率和0.74的Kappa系数，在MESA数据集上达到80.44%的准确率和0.70的Kappa值，优于基于心率变异性（HRV）和呼吸率变异性（RRV）的传统方法及单模态模型。模型在Wake和Light阶段表现较强，在REM和Deep阶段性能相对较低，这主要归因于这些阶段的生理模式相似性和类别不平衡。跨数据集的一致性能表明该多模态框架具有良好的泛化能力。此外，消融实验验证了TCN、BiGRU和SE模块各自的贡献，完整模型取得最佳性能。该研究的重要意义在于提供了一种基于心肺信号的低负担睡眠分期方案，有望应用于可穿戴设备，实现便捷的睡眠监测。论文发表在《Frontiers in Bioengineering and Biotechnology》。
**主要技术方法**
研究人员采用了以下关键技术方法：（1）R波检测：使用Pan-Tompkins算法从ECG信号中检测R峰，包括带通滤波（4阶，5-30 Hz）、五点差分法计算导数、平方和移动窗口积分增强QRS波群、自适应阈值检测；（2）呼吸峰检测：对呼吸信号进行三阶带通滤波（0.1-0.5 Hz），使用局部峰值检测函数（find_peaks）并设置最小峰高0和最小峰间距1.7秒的约束；（3）时间序列构建：从R峰和呼吸峰提取RR间期和呼吸峰间期，去除超出均值5个标准差的异常值，通过线性插值重采样为1 Hz均匀时间序列，采用210秒滑动窗口、步长30秒进行分段，标签取窗口中心30秒的标注；（4）特征计算：根据公式IHR=60/RR(t)和IBR=60/Resp(t)计算瞬时心率和瞬时呼吸率，并进行Z-score标准化；（5）模型架构：TCN-BiGRU-SE网络，TCN使用三种卷积核尺寸（3、9、27）提取多尺度特征，SE模块进行通道重标定（缩减比16），融合后使用混合注意力（通道注意力和时间注意力），再经TCN时间细化模块和堆叠BiGRU层，最后全连接层和softmax输出。数据集来源：SHHS（7,837例夜间记录）和MESA（1,970例夜间记录），均包含PSG记录。
**研究结果**
**整体分期性能**：在SHHS数据集上，模型总体准确率82.19%，Kappa系数0.74，Wake阶段F1-score最高（89.95%），Light阶段F1-score为80.51%，REM和Deep阶段相对较低。在MESA数据集上，总体准确率80.44%，Kappa系数0.70，Wake阶段F1-score为88.54%，Light阶段为78.18%，REM和Deep阶段较低。结果表明模型在Wake和Light阶段表现稳定，在REM和Deep阶段因生理模式相似性和类别不平衡而性能受限。
**睡眠阶段时间序列分析**：通过比较预测序列与真实标签，发现模型在Wake和Light阶段一致性高，能准确追踪长时程稳定段和主要睡眠状态转换，但在REM和Deep阶段的转换区域出现偏差，这与定量结果一致。
**与现有方法比较**：与基于IHR的CNN方法（SHHS准确率77.3%，Kappa 0.66；MESA准确率80%，Kappa 0.69）、基于HR的RNN方法（准确率72%）、基于IHR和呼吸的CReSS方法（SHHS准确率76.7%，Kappa 0.64；MESA准确率79.8%，Kappa 0.68）以及基于ECG的迁移学习方法（SHHS1准确率78.7%，Kappa 0.75；SHHS2准确率74.8%，Kappa 0.67）相比，所提方法在SHHS上准确率82.19%、Kappa 0.74，在MESA上准确率80.44%、Kappa 0.70，总体表现更优，展示了多模态融合和注意力机制的优势。
**消融实验**：在SHHS数据集上测试六种变体：仅TCN（准确率76.59%）、仅BiGRU（77.82%）、TCN-BiGRU（79.90%）、TCN-SE（78.42%）、BiGRU-SE（78.62%）和完整TCN-BiGRU-SE（82.19%）。结果显示，TCN捕获局部特征，BiGRU建模长程依赖，SE模块增强特征判别性，三者结合获得最佳性能。完整模型在所有指标上均最优，证明各模块协同贡献。
**讨论与结论总结**
讨论部分指出，模型包含约700万可训练参数，相比依赖多通道高维信号的PSG方法，仅使用两个低维心肺时间序列（IHR和IBR），降低了输入复杂度，适合低负担睡眠监测。模型采用BiGRU进行双向建模，更适合回顾性整夜睡眠分析而非严格实时分期。未来可通过模型剪枝和量化优化资源受限设备上的部署，并探索因果或单向时间建模以提高实时性。结论部分总结：本研究提出基于IHR和IBR的自动睡眠分期方法，构建TCN-BiGRU-SE模型进行端到端睡眠阶段分类。通过集成TCN的局部特征提取能力、BiGRU的序列建模优势和SE的通道重标定，有效增强了多模态心肺信号的表示。在SHHS和MESA数据集上的实验表明，该模型在睡眠分期中取得有竞争力的性能，特别在Wake和Light阶段表现良好，减少了对手工特征的依赖，能直接从原始生理信号学习判别性表示。然而，模型在REM和Deep阶段性能相对较低，主要归因于这些阶段生理模式的相似性和不稳定性。未来工作将侧重于通过整合额外生理信号和更先进的时间建模策略来改善挑战性阶段的判别能力，并探索迁移学习以扩展到其他传感模态（如心冲击图、呼吸带信号、鼻气流信号和雷达心肺测量），增强模型在真实世界睡眠监测场景中的适用性。
