《Diagnostics》：Automated Multimodal Sleep Staging Using DWT-Based Wavelet Decomposition and Explainable Machine Learning with Signal Sculpting Topographies
编辑推荐：
目的：从多导睡眠图（PSG）记录中进行睡眠分期对于诊断睡眠相关障碍具有临床关键意义，但由认证技术人员进行的人工评分仍然耗时、昂贵且存在评分者间变异性。方法：研究人员提出了一种自动、可解释且多模态的框架，用于使用同时采集的脑电图（EEG）、眼电图（EOG）和肌电
目的：从多导睡眠图（PSG）记录中进行睡眠分期对于诊断睡眠相关障碍具有临床关键意义，但由认证技术人员进行的人工评分仍然耗时、昂贵且存在评分者间变异性。方法：研究人员提出了一种自动、可解释且多模态的框架，用于使用同时采集的脑电图（EEG）、眼电图（EOG）和肌电图（EMG）信号进行五类睡眠分期分类。研究人员从30个健康成人记录会话（Sleep-EDF Expanded和Sleep Cassette子集）中获取了总共1946个已标注的30秒时段，通过一个37维多模态特征提取流程进行处理，该流程包括时域幅度统计量、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-score 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-score 0.879，而N1浅睡眠最具挑战性（F1-score = 0.668）。SHapley Additive exPlanations（SHAP）和RF平均基尼杂质减少（MDGI）分析共同确定了EMG均方根幅度（MDGI = 0.0805）、伽马波段功率（0.0784）和排列熵（0.0434）为三个最具区分性的特征。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塑可视化，将抽象的多变量特征转化为临床可解释的图形表示。结论：所提出的框架实现了接近专家评分者间信度下限（0.76–0.82）的显著kappa一致性，同时提供了完全的模型透明度，对可穿戴睡眠监测设备设计具有直接意义。
睡眠分期是诊断睡眠障碍的关键临床步骤，但传统人工评分费时费力且存在评分者间变异。现有自动化方法多缺乏可解释性、多模态整合不足或可视化不友好，难以满足临床监管和可穿戴设备需求。为此，研究人员提出了一种基于37维特征工程的可解释多模态睡眠分期框架，论文发表在《Diagnostics》。该研究使用公开的Sleep-EDF Expanded数据库（30名健康成人，共1946个30秒时段），提取了涵盖时域统计（7个）、频域谱带功率（9个）、非线性复杂度（6个）、Daubechies-4离散小波变换（DWT）能量系数（10个）、EOG特征（3个）和EMG特征（3个）的37维特征向量。采用四种经典机器学习分类器（随机森林RF、径向基核支持向量机SVM-RBF、梯度提升GB、K近邻KNN，k=7）在分层五折交叉验证下进行基准测试，并结合SHAP和RF平均基尼杂质减少（MDGI）进行特征重要性分析，同时开发了16类信号雕塑可视化。
**4.1 信号与特征剖面**：通过展示各睡眠分期典型EEG波形、EOG和EMG信号，发现N3期呈现高幅慢波（RMS≈62.3 μV），REM期表现为低幅混合波（RMS≈18.7 μV）；EOG在N1期显示缓慢滚动运动（12.4 μV），REM期显示快速扫视（38.6 μV）；EMG从清醒期（42.3 μV）到REM期几乎完全失张力（8.1 μV），证实了EMG-RMS对REM识别的关键作用。频谱分析显示delta功率从REM期（70.9%）单调递增至N3期（92.8%），REM期theta功率（17.4%）反映海马-新皮层节律。
**4.2 整体分类器性能**：SVM-RBF取得最高宏平均F1-score 0.7322，Cohen’s kappa 0.6784，总体准确率75.18%。KNN对类别不平衡更敏感，其F1与准确率差距最大。混淆矩阵显示N3期对角线均>0.87，主要误分类路径为清醒期至N1期（0.12–0.18）和REM期至N1期（0.08–0.12）。ROC曲线下面积（AUC）中SVM-RBF宏平均为0.914，N3期AUC>0.97，N1期最低约0.82。
**4.3 每类性能分析**：所有分类器均呈现N3>N2>REM>N1>清醒期的F1-score排序，SVM-RBF在REM期表现优于RF（0.712 vs. 0.662），说明其边界优化更利于少数类。
**4.4 超参数敏感性与文献比较**：RF的树数量敏感性分析表明，在n=300时性能收敛，继续增加树数仅增加计算成本。与现有方法比较，该框架在CPU条件下达到与深度学习模型相近的kappa值。
**5 可解释性分析**：RF MDGI排名显示EMG-RMS（0.0805）为最显著特征，伽马波段功率（0.0784）和排列熵（0.0434）分列第二、三位。非线性、小波和EOG特征也进入前15位，表明各分析域提供非冗余判别信息。SHAP风格归因分析确认EMG-RMS对清醒期和REM期正向贡献强，对N3期负向贡献强，符合神经生理学预期。PCA和t-SNE降维显示N3和N2紧凑聚类，清醒期与N1重叠，解释了N1期最低F1-score。
**6 新颖信号雕塑可视化**：研究人员系统开发了16类可视化方法，包括相空间吸引子、递归图、自相关图、谱图、小波标度图、Hilbert-Huang瞬时频率、DWT分解图、睡眠图架构分析、非线性特征小提琴图、脑特定地形图、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状态转换图和综合结果仪表板。所有可视化基于真实实验数据，确保科学有效性。
**7 讨论**：该框架的kappa值（0.6784）接近专家评分者间信度下限（0.76–0.82），SVM-RBF的宏F1略高于RF，其召回率更高（0.749 vs. 0.714），适合临床筛查中漏诊成本高于误报的场景。EMG-RMS的重要性支持临床指南中必须记录颏肌EMG的诊断要求。局限性包括样本量小（30个会话）、仅健康成人、CPU环境限制。未来将扩展至完整数据库和临床患者数据，并采用GPU训练深度学习模型。
**8 结论**：研究人员提出了一个可解释、多模态且计算高效的自动睡眠分期框架，在Sleep-EDF Expanded数据库上测试。分层五折交叉验证下，SVM-RBF达到准确率75.18%、宏F1-score 0.7322、kappa 0.6784。N3期F1-score最高（0.879），N1期最低（0.668）。SHAP和RF重要性共同确定EMG-RMS、伽马波段功率和排列熵为三个最具判别力的特征，强调多模态PSG记录的必要性。作为原创贡献，提出了十六类信号雕塑可视化。该透明特征工程、全面基准测试、双方法可解释性和新颖可视化方法为自动睡眠分期提供了可部署的、临床可解释的基线。
