《Diagnostics》：The Effect of Motion Correction on Quantitative Perfusion Indices and Threshold-Based Interpretation in 13N-Ammonia Dynamic PET Myocardial Perfusion Imaging
编辑推荐：
目的：基于多导睡眠图（PSG）记录进行睡眠分期在临床诊断睡眠相关障碍中至关重要，但由认证技术人员进行手动评分仍耗时、昂贵且存在评分者间变异性。方法：本研究提出一个自动化、可解释且多模态的框架，用于使用同步采集的脑电图（EEG）、眼电图（EOG）和肌电图（EMG
目的：基于多导睡眠图（PSG）记录进行睡眠分期在临床诊断睡眠相关障碍中至关重要，但由认证技术人员进行手动评分仍耗时、昂贵且存在评分者间变异性。方法：本研究提出一个自动化、可解释且多模态的框架，用于使用同步采集的脑电图（EEG）、眼电图（EOG）和肌电图（EMG）信号对五类睡眠阶段进行分类。研究人员从30名健康成年人记录会话（Sleep-EDF Expanded和Sleep Cassette子集）中处理了1946个标注的30秒epoch，通过一个37维多模态特征提取管道，包括时域幅度统计、频域谱带功率、非线性熵和复杂度度量，以及Daubechies-4离散小波变换（DWT）能量系数。在分层五折交叉验证下，对四种经典机器学习分类器——随机森林（RF）、径向基函数核支持向量机（SVM-RBF）、梯度提升（GB）和K近邻（KNN，k=7）进行了基准测试。结果：SVM-RBF取得了最高的宏平均F1分数0.7322（Cohen's kappa 0.6784，总体准确率75.18%）。N3深慢波睡眠取得了最高的每类F1分数0.879，而N1浅睡眠最具挑战性（F1=0.668）。SHapley Additive exPlanations（SHAP）和RF基尼杂质平均减少量（MDGI）分析联合识别出EMG均方根振幅（MDGI=0.0805）、伽马（gamma）频带功率（0.0784）和排列熵（0.0434）为三个最具判别力的特征。作为一项新颖的方法学贡献，研究人员开发了十六类信号雕刻可视化，将抽象的多变量特征转化为临床可解释的图形表示。结论：所提出的框架达到了接近专家评分者间信度下限（0.76–0.82）的kappa一致性，同时提供了完全的模型透明性，对可穿戴睡眠监测设备设计具有直接意义。
**研究背景与问题**
睡眠是调节突触巩固、神经内分泌调节、代谢修复和免疫维持的基本生物过程。正常睡眠结构（清醒（W）、非快速眼动（NREM）阶段N1、N2、N3及快速眼动（REM）睡眠）的紊乱与心血管疾病、代谢综合征、认知障碍和精神疾病密切相关。全球估计超过10亿人存在临床显著的睡眠障碍，且这一公共卫生问题日益严重。金标准诊断技术是多导睡眠图（PSG），涉及同步多模态记录并依据美国睡眠医学学会（AASM）标准化标准进行专家视觉评分。然而，手动标注在人口老龄化及对睡眠健康重要性认知提升的背景下，成本高昂且不可持续，且已知评分者间变异性（kappa 0.76–0.82）存在。此外，自动化睡眠分期面临三大挑战：模型缺乏透明性（难以获得医疗AI框架下的监管批准）、缺少利用EEG、EOG和EMG互补信息的多通道配置、以及缺乏面向临床人员的可视化方法。因此，需要一种自动化、临床可解释、可扩展且准确的评分工具。
**研究内容与结论**
研究人员提出了一种自动化、可解释、多模态框架，用于五类睡眠阶段（W、N1、N2、N3、REM）分类。基于公开的Sleep-EDF Expanded数据库（PhysioNet），共纳入30名健康成年人（平均年龄60.1±18.4岁，16男14女）的1946个30秒epoch，记录包括EEG（Fpz-Cz、Pz-Oz）、水平EOG和颏下EMG，采样率100 Hz。研究人员提取了37维多模态特征（涵盖7个时域幅度统计量、9个频谱带功率、6个非线性复杂度度量、10个Daubechies-4 DWT能量和标准差系数、3个EOG特征、3个EMG特征）。在分层五折交叉验证下，对四种经典机器学习分类器进行基准测试：随机森林（RF）、径向基函数核支持向量机（SVM-RBF）、梯度提升（GB）和K近邻（KNN，k=7）。SVM-RBF取得了最佳性能（宏F1=0.7322，Cohen's kappa=0.6784，总体准确率75.18%）。N3深慢波睡眠每类F1最高（0.879），N1浅睡眠最难（F1=0.668）。通过SHAP归因和RF基尼杂质平均减少量（MDGI）双重可解释性分析，研究人员发现EMG-RMS（MDGI=0.0805）、伽马频带功率（0.0784）和排列熵（0.0434）是三个最具判别力的特征，强调了多模态PSG记录的临床必要性。此外，作为新颖方法学贡献，研究人员开发了16类信号雕刻可视化（包括相空间吸引子、递归图、自相关图、频谱图、小波尺度图、Hilbert-Huang瞬时频率、DWT分解图、睡眠图结构分析、非线性特征小提琴图、脑特异性拓扑表示、统计显著性热图、Pearson相关图、六边形密度图、多模态特征指纹雷达图、Sankey阶段转移图、综合结果仪表板），将抽象特征转化为临床可解释图形，确保了科学有效性和可重复性。该论文发表在《Diagnostics》。
**主要关键的技术方法**
研究人员从Sleep-EDF Expanded数据库（30名健康成年人，1946个30秒epoch）中提取37维多模态特征，包括：时域统计（均值、标准差、均方根、偏度、峰度、过零率、峰峰值）、频谱带功率（Welch周期图，0.5–45 Hz，含δ/θ比、α/β比、谱熵、峰值频率）、非线性复杂度（样本熵、排列熵、Higuchi分形维数、去趋势波动分析、近似熵、Lempel-Ziv复杂度）以及Daubechies-4小波变换（5层分解，能量和标准差）。此外，还提取了EOG（均方根、标准差、低于2 Hz功率）和EMG（均方根、标准差、高于20 Hz功率）特征。采用分层五折交叉验证，比较了RF（300棵树）、SVM-RBF（C=10，RBF核）、GB（100棵浅树）和KNN（k=7）四种分类器，并以Subject-wise GroupKFold确保无受试者身份泄露。
**研究结果**
4.1 Signal and Feature Profiles：通过观察原始EEG信号形态、多模态信号比较及功率谱密度分析，研究人员发现N3呈现δ波主导的慢波（RMS≈62.3 μV），REM呈现低幅度混合形态（RMS≈18.7 μV），EOG显示慢滚动运动（N1: 12.4 μV）和快速扫视（REM: 38.6 μV），EMG从清醒（42.3 μV）逐渐减少至REM几乎完全肌张力缺失（8.1 μV），确认了EMG-RMS在REM识别中的优势。
4.2 Overall Classifier Performance：在分层五折交叉验证下，SVM-RBF获得最佳宏F1（0.7322）、kappa（0.6784）和准确率（75.18%）。混淆矩阵显示N3对角线>0.87，主要误分类路径为清醒到N1（0.12–0.18）和REM到N1（0.08–0.12）。ROC曲线下面积（AUC）显示SVM-RBF宏平均AUC为0.914，N3的AUC>0.97，N1最低（~0.82）。
4.3 Per-Class Performance Analysis：所有分类器均呈现一致的每类F1顺序：N3 > N2 > REM > N1 > Wake。SVM-RBF在REM分类上优于RF（0.712 vs. 0.662）。
4.4 Hyperparameter Sensitivity and Literature Comparison：RF超参数敏感性分析显示，当决策树数量n=300时性能收敛，进一步增加树数仅增加计算成本而无显著提升。与已发表方法比较，本研究在相同数据集上达到可比性能。
5. Explainability Analysis：Feature Importance Ranking：通过RF MDGI分析，EMG-RMS（MDGI=0.0805）排名第一，远高于其他特征；伽马频带功率（0.0784）和排列熵（0.0434）分列第二、第三。SHAP归因进一步确认EMG-RMS对清醒和REM为正贡献，对N3为负贡献，符合神经生理学。PCA和t-SNE降维显示N3和N2形成紧凑簇，清醒与N1重叠，解释了其较低的F1分数。
6. Novel Signal Sculpting Visualisations：研究人员系统开发了16类信号雕刻可视化，包括：非线性特征小提琴图、相空间吸引子、递归图、自相关图、频谱图、连续小波尺度图、Hilbert-Huang瞬时频率、离散小波分解图、睡眠结构分析（自动睡眠图和特征动态）、脑波级联图、神经爆发图、频带功率雷达图、水彩风格皮质活动热图、左右半球比较图、EEG幅度空间热图、神经连接网络图、统计显著性热图、Pearson相关热图、六边形密度图、多模态特征指纹雷达图、多模态特征热图。所有可视化基于真实实验数据，为临床沟通提供了直观工具。
**讨论与结论**
讨论部分指出，SVM-RBF的宏F1（0.7322）和kappa（0.6784）处于专家评分者间信度kappa（0.76–0.82）的下限，且SVM的边际最大化准则更直接关联于平衡F1标准。EMG-RMS的优越性具有直接临床意义：不包含颏下EMG的自动化系统在REM识别上存在系统性劣势，支持RBD和发作性睡病诊断中需记录颏下EMG的临床指南。伽马频带功率排名第二，反映了丘脑皮质同步化，可作为清醒-睡眠转换的敏感指标。局限性包括：仅30个健康成人会话、CPU计算环境限制、以及地面真实标签基于Rechtschaffen–Kales评分映射至AASM五类方案而非原生AASM评分。未来将扩展至更大数据库及临床数据（如阻塞性睡眠呼吸暂停、REM睡眠行为障碍），并利用GPU训练深度学习模型。
**研究结论**：研究人员提出并测试了一个可解释、多模态且计算高效的自动化睡眠分期框架，基于Sleep-EDF Expanded数据库（1946个30秒epoch）。在分层五折交叉验证下，SVM-RBF取得了准确率75.18%、宏F1 0.7322、kappa 0.6784。N3获得最佳每类F1（0.879），N1最难（F1=0.668）。SHAP归因和RF重要性共同确定EMG-RMS、伽马频带功率和排列熵为最具判别力的三个特征，强调了多模态PSG记录的临床需求。作为原创贡献，提出了16类信号雕刻可视化。该透明特征工程、全面基准测试、双重可解释性及新颖可视化方法的综合框架，为自动化睡眠分期提供了一个可部署、临床可解释的基线。
