《Applied Sciences》：Hierarchical Multimodal Sleep Staging with Optimized EEG, EOG, and PPG Features for Wearable Applications
编辑推荐：
自动睡眠分期是诊断睡眠障碍以及利用可穿戴设备进行长期睡眠监测的基础。尽管深度学习显著提升了分类性能，但在准确性与计算效率之间取得平衡仍然具有挑战性，尤其是对于资源受限的系统而言。本研究提出了一种轻量级的两阶段深度学习框架，用于基于从脑电图（EEG）、眼电图（E
自动睡眠分期是诊断睡眠障碍以及利用可穿戴设备进行长期睡眠监测的基础。尽管深度学习显著提升了分类性能，但在准确性与计算效率之间取得平衡仍然具有挑战性，尤其是对于资源受限的系统而言。本研究提出了一种轻量级的两阶段深度学习框架，用于基于从脑电图（EEG）、眼电图（EOG）和光电容积脉搏波描记法（PPG）信号中提取的优化多模态生理特征的五分类睡眠分期。该框架使用Bitbrain开放获取睡眠（BOAS）数据库进行训练和测试，考虑了一个包含31名受试者的数据集，并将其划分为训练集（24名受试者）和独立测试集（7名受试者）。使用最小冗余最大相关（mRMR）算法进行特征选择，随后对EEG和EOG特征应用主成分分析（PCA），而从PPG导出的呼吸和心脏特征则直接整合到多模态表示中。分层长短期记忆（LSTM）架构首先将睡眠分类为清醒（Wake）、快速眼动（REM）和非快速眼动（NREM），然后进一步区分N1、N2和N3阶段。在独立测试集上，分类器在多模态特征集（EEG + EOG + PPG）上实现了88.2%的五分类准确率，模型大小为3.14 MB，而在仅使用EEG特征集的情况下，仅占用2.95 MB内存便实现了87.1%的准确率。留一受试者交叉验证（LOSO）得出的准确率为86.9%，支持了受试者无关的泛化能力。推理延迟范围为2.55 ms（仅EEG）到4.02 ms（多模态），在各个特征集上测得的每次推理能量为2.88–10.9 mJ。在RichSleep和ISRUC数据集上的额外验证证明了该框架在不同记录条件下的鲁棒性，分别实现了78.2%和77.3%的平均准确率。所提出的框架在分类性能、复杂性和内存占用之间提供了良好的权衡，表明了其适用于可穿戴和基于边缘的睡眠监测系统的潜力。
睡眠作为一个基本的生理过程，在维持大脑功能、情绪调节以及整体身心健康方面发挥着至关重要的作用。有效的睡眠监测对于预防和早期发现睡眠相关障碍具有不可替代的价值。多导睡眠图（PSG，Polysomnography）是目前评估睡眠及其相关障碍的标准诊断方法，需要在实验室环境中同时监测多种生理信号。然而，尽管深度学习技术在提升自动睡眠分期的分类性能方面取得了显著进展，但在准确性与计算效率之间寻求平衡依然是一个亟待解决的挑战，特别是对于那些计算资源受限的可穿戴和边缘计算系统而言。因此，开发一套能够在最小化硬件复杂度的同时保证诊断可靠性的轻量级睡眠监测系统成为了当前研究的热点。论文发表在《Applied Sciences》。为了解决上述问题，研究人员提出了一种轻量级的两阶段深度学习框架，用于五分类睡眠分期。该研究旨在通过优化多模态生理特征，在资源受限的可穿戴设备上实现准确且鲁棒的睡眠监测，并确立性能与资源效率之间的最佳权衡。
在关键技术方法方面，研究人员使用了Bitbrain开放获取睡眠（BOAS，Bitbrain Open Access Sleep）数据库中的31名受试者（24名用于训练，7名用于独立测试）的数据队列。研究提取了来自脑电图（EEG，Electroencephalogram）、眼电图（EOG，Electrooculogram）和光电容积脉搏波描记法（PPG，Photoplethysmography）的生理特征。主要技术包括：应用最小冗余最大相关（mRMR，minimum Redundancy Maximum Relevance）算法进行特征选择，利用主成分分析（PCA，Principal Component Analysis）对EEG和EOG特征进行降维；构建带有注意力机制的分层长短期记忆（LSTM，Long Short-Term Memory）网络，将五分类任务解耦为Wake-REM-NREM的三分类以及N1-N2-N3的三分类；采用滑动窗口构建时间序列并通过数据增强结合平衡交叉熵损失处理类别不平衡问题；使用留一受试者交叉验证（LOSO，Leave-One-Subject-Out）评估受试者无关的泛化能力。
Selection and Optimization of EEG and EOG Features
研究人员对提取的特征进行了选择与优化。通过应用mRMR算法，EEG特征从100个减少到90个，随后通过PCA降维保留了56个主成分，以98%的累计方差阈值保留了最大信息量。对于EOG特征，经过相同的mRMR选择和PCA处理后，保留了8个主成分。这一过程有效消除了冗余特征并降低了数据维度，为后续的深度学习模型提供了优化的紧凑型特征集。
Training and Testing of a Five-Class Sleep Staging Algorithm
在这一环节，研究人员评估了不同特征集对模型性能的影响。仅使用EEG特征时，WRN分类器达到了89.9%的准确率，NREM分类器达到了91.6%的准确率。经过级联的五分类模型在独立测试集上实现了87.1%的总准确率，其Cohen's kappa系数为0.844。当使用完整的多模态特征集（EEG + EOG + PPG）时，WRN分类器的准确率提升至91.5%，级联模型的总准确率提升至88.2%，Cohen's kappa系数达到0.857，表明多模态信息的整合主要提升了REM阶段的分类性能。然而，排除EEG特征（仅使用EOG和PPG特征）会导致性能急剧下降，总准确率仅为52.7%，这证明了EEG特征在睡眠分期中提供了核心的判别力。
Contribution of EOG and PPG Signals
研究人员通过特征组消融研究进一步探究了非EEG信号模态的个体贡献。结果显示，仅使用EOG或仅使用PPG的特征集性能均显著低于基于EEG和多模态的配置。这表明EOG和PPG信号虽然独立判别力有限，但在与EEG特征结合时能够提供有价值的补充信息。
Energy and Latency Characterization of the Five-Class Sleep Staging Model
为了评估计算效率，研究人员在硬件层面测量了模型的推理延迟和能耗。仅使用EEG特征的推理延迟为2.55 ms，多模态特征为4.02 ms。每次推理的动态能耗在2.88至10.9 mJ之间。排除EEG特征的特征集展现了最低的计算成本和能耗，但代价是准确率的降低。这表明该模型在各类特征配置下均维持了支持近实时处理的低延迟推理能力。
Comparison of Class-Balancing Strategies
在对比不同类别平衡策略的研究中，研究人员发现未平衡、仅数据增强、仅加权损失以及数据增强结合加权损失四种策略表现相当。然而，数据增强结合加权损失在所有评估指标上始终表现最佳，因此被确定为模型训练的最终策略。
Validation on Public Datasets Different from the BOAS
研究人员在RichSleep和ISRUC两个独立公共数据集上进行了零样本跨数据集验证。结果显示，模型在RichSleep上达到了78.2%的平均准确率，在ISRUC上达到了77.3%的准确率。尽管由于硬件、电极放置和人群特征的领域偏移导致性能相较于BOAS测试集有所下降，但这证实了该框架具备向独立数据集迁移的泛化能力。
最后，论文在讨论与结论部分总结道，本研究提出的两阶段LSTM框架在保持轻量化架构的前提下，实现了性能与计算资源之间的良好权衡。通过仅使用极简的额部EEG单通道配置，模型即可获得可靠的五分类睡眠分期结果，证明额颞叶EEG特征与特征选择策略的有效性。多模态配置进一步提升了分类性能，特别是对REM睡眠的识别。而LOSO交叉验证以及跨数据集的广泛评估均证实了该模型具备受试者无关的泛化能力。与级联TinySleepNet和SeqSleepNet等轻量级架构的对比分析进一步彰显了其竞争实力。总而言之，该框架展现了未来在资源受限的可穿戴和嵌入式睡眠监测系统中部署的巨大潜力，为便携式、非侵入性睡眠监测解决方案的开发提供了有力的理论和技术支撑。
