《Journal of Dairy Science》：Deep learning-based classification of wakefulness, sleep, and rumination states in dairy cows from polysomnography and RumiWatch data
编辑推荐：
睡眠对奶牛的健康与福利至关重要，然而精准监测仍面临挑战。多导睡眠图（Polysomnography, PSG）虽为睡眠评估的金标准，但其依赖于对生理信号进行劳动密集型人工判读，限制了其在农场中的应用，这凸显了对RumiWatch系统（RumiWatch S
睡眠对奶牛的健康与福利至关重要，然而精准监测仍面临挑战。多导睡眠图（Polysomnography, PSG）虽为睡眠评估的金标准，但其依赖于对生理信号进行劳动密集型人工判读，限制了其在农场中的应用，这凸显了对RumiWatch系统（RumiWatch System, RWS）等可及传感系统的需求。本研究提出了DairySleepNet——一个基于选择性状态空间模型（selective state space model）的深度学习框架，用于利用PSG和RWS数据对清醒（wakefulness）、睡眠（sleep）和反刍（rumination）状态进行自动分类，旨在支持可扩展的标注与农场部署。该框架采用两阶段编码架构，通过短时傅里叶变换（short-time Fourier transform, STFT）将原始多通道信号转换为时频表示并进行有效处理，同时捕获通道内的时间特征和跨通道交互。该方法使用来自7头奶牛的77.13小时有效PSG和RWS记录进行评估，每头牛保留约一段12小时的记录。研究人员采用动物水平的交叉验证（animal-level cross-validation）和软加权采样策略（soft weighted sampling strategy）以确保鲁棒的评估。实验结果表明，使用PSG数据时，DairySleepNet的宏F1（macro F1）达到86.37%，准确率（accuracy）达到90.80%，显著优于基于Transformer的基线模型和机器学习基线模型。这些结果支持了从PSG记录进行自动睡眠标注的可行性。尽管联合使用PSG和RWS数据降低了交叉验证折间变异性，但并未提高整体系统性能。相比之下，仅基于RWS数据的分类效果仍不令人满意，这凸显了在实现可靠的农场睡眠监测之前，还需进一步的方法学发展。未来研究应优先推进细粒度睡眠分期（目前受限于稀缺的分期特异性标注数据），并在多样化农场环境中开展更广泛的数据采集，以实现稳健且实用的农场应用。
**论文解读**
**一、研究背景与问题提出**
睡眠是哺乳动物维持神经修复、免疫功能和生理稳态的基础生物过程。在奶牛生产中，睡眠研究相对薄弱，但越来越多的证据表明睡眠对奶牛健康与福利具有重要意义。昼夜节律系统与奶牛的睡眠-觉醒周期密切互动，可影响代谢激素的日振荡、核心体温节律乃至妊娠时长。尽管直接证明睡眠剥夺损害奶牛健康结局的实验证据尚不充分，但限制躺卧（lying deprivation）的研究——其在本质上限制了睡眠机会——已显示出对免疫指标、激素平衡和产奶量的负面影响。因此，睡眠可视为集约化养殖系统中动物福利的一个敏感且综合性指标，精准监测睡眠行为对福利评估和循证管理具有重要价值。
然而，测量奶牛的睡眠状态面临诸多挑战。视觉观察和基于视频的行为评分劳动密集且易受观察者偏倚影响，而以躺卧姿势等行为指标替代则显著高估成年奶牛的总睡眠时间。多导睡眠图（Polysomnography, PSG）结合脑电图（electroencephalography, EEG）、肌电图（electromyography, EMG）和眼电图（electrooculography, EOG），被认为是人与动物睡眠评估的金标准。但由训练有素的专家对PSG记录进行人工判读耗时巨大，无法实现农场环境中的大规模或长期监测，这凸显了对奶牛睡眠自动分类方法的迫切需求。
在人类睡眠研究中，自动睡眠分期已得到广泛探索。传统机器学习方法如支持向量机和随机森林结合时域特征取得了一定成功，而深度学习方法通过从原始信号或时频谱图中自动学习层次化表示展现了更优的性能。Transformer架构通过自注意力（self-attention）建模长程依赖关系，但其关于序列长度的二次计算复杂度在处理多通道生理记录时构成了可扩展性瓶颈。Mamba——Gu和Dao（2023）提出的选择性状态空间模型（selective state space model）——通过依赖输入的状态转移实现了线性时间复杂度，以显著更低的计算成本提供了可比的建模能力。该选择性机制使模型能够自适应地强调信息性时间步并抑制无关片段，这一特性特别适用于瞬态事件与持续背景活动共存的生理信号。此类架构已成功应用于人类的EEG任务，但尚未被探索用于家畜睡眠分类。
与人类睡眠研究的广泛探索相比，奶牛的自动睡眠分类仍处于起步阶段。现有研究主要依赖加速度计数据和传统机器学习算法进行行为识别而非睡眠分析。即使涉及睡眠，PSG也仅被用作标注参考，而分类模型本身则基于衍生生理或行为特征进行运算。据研究人员所知，尚无研究将PSG信号直接作为机器学习或深度学习模型的输入进行奶牛睡眠分类，利用原始多通道记录的时频表示的深度学习技术也未被系统研究。此外，反刍作为奶牛的主导行为，通常被排除而非纳入建模，尽管它产生的电生理伪迹与睡眠相关信号模式存在重叠。从信号建模角度看，EEG记录包含丰富的频率特异性信息，传统时域特征可能无法捕获；多通道PSG记录需要有效整合跨通道信息同时保留通道特异性特征；睡眠时段在典型记录中远少于清醒和反刍时段，使模型训练与评估复杂化；基于可及的农场传感器数据替代研究级PSG设备预测睡眠状态的可行性尚未经过系统评估；许多既有研究采用样本水平交叉验证，导致性能估计过于乐观，无法反映模型对未见个体的泛化能力。
**二、研究目标与总体思路**
本研究的目的是开发并评估一种自动分类奶牛清醒、睡眠和反刍状态的方法，以减少人工PSG判读的劳动量并评估农场睡眠监测的可行性。为此，研究人员提出了DairySleepNet——一个基于选择性状态空间模型的深度学习框架，并将其应用于来自PSG、RumiWatch系统（RWS）以及二者联合的记录。通过7头奶牛的动物水平交叉验证，进一步检验可穿戴反刍与活动传感器能否接近使用完整电生理记录所达到的分类性能。
**三、关键技术与方法概要**
研究数据来自苏黎世州AgroVet-Strickhof奶牛场的7头经产荷斯坦奶牛，所有程序经苏黎世州兽医办公室批准（批准号：ZH042/2023）。每头奶牛保留一段约12小时的有效记录（含3段日间和4段夜间记录），总计77.13小时。PSG采用10电极蒙太奇（4个EEG、2个EOG、2个EMG、1个参考电极、1个接地电极），以500 Hz采样；RWS鼻带传感器提供三轴加速度（X、Y、Z）和压力共4个通道，以10 Hz采样。PSG记录由训练有素的评分员以30秒为时段进行人工判读，定义五类状态——清醒（Wake）、反刍（Rumination）、瞌睡（Drowsing）、非快速眼动睡眠（NREM sleep）和快速眼动睡眠（REM sleep）——后合并瞌睡、NREM睡眠和REM睡眠为单一睡眠（Sleep）类别，形成三分类任务。信号预处理将全部记录重采样至100 Hz，利用短时傅里叶变换（STFT）以2秒汉宁窗、50%重叠和256点FFT提取时频谱图，经对数变换压缩动态范围，每通道输出29×128的张量。DairySleepNet采用两阶段编码架构：第一阶段由N
S=4个堆叠Mamba模块独立处理各通道的时间特征，第二阶段由N
M=4个堆叠Mamba模块进行多通道融合编码并辅以残差连接，最终经两个全连接层映射至3个目标类别。模型训练采用4折动物水平交叉验证、软加权采样策略（权重与类别频率的平方根成反比）、AdamW优化器（学习率5×10
?6）、标签平滑0.1和梯度裁剪1.0。基线模型包括随机森林（RF）、支持向量机（SVM）、多层感知机（MLP）、逻辑回归（LR）四种机器学习分类器（使用时域统计特征），以及基于Transformer的MultiChannelSleepNet深度学习模型。
**四、主要研究结果**
*总体分类性能*：使用PSG数据时，DairySleepNet达到90.80%的准确率和86.37%的宏F1分数，Cohen's kappa为0.85。清醒和反刍类别的F1分数分别为90.14%和96.88%，而少数类睡眠的F1为72.90%（精确率75.54%，召回率70.44%）。混淆矩阵显示，最常见的误分类发生在清醒与睡眠之间，29.56%的睡眠时段被误分为清醒，这与安静清醒和浅睡眠状态在EEG特征上的生理相似性一致。使用RWS数据时，性能大幅下降（宏F1为71.88%），睡眠类别的精确率降至46.06%，22.01%的清醒时段被误分为睡眠，表明加速度计和压力信号缺乏区分行为静止状态所需的光谱分辨率。联合使用PSG和RWS数据时，宏F1为86.09%，虽略低于PSG单独使用，但交叉验证折间标准差从4.48%降至2.67%，表明RWS通道有助于提升预测的跨动物稳定性。
*与基线模型的比较*：使用PSG数据时，DairySleepNet的宏F1（86.37%）优于MultiChannelSleepNet（84.32%）和最佳机器学习基线RF（77.27%），深度学习模型相对RF将宏F1提升了9.10个百分点。使用RWS数据时，RF取得最高宏F1（74.03%），逆转了性能排序，表明时频表示的优势取决于输入信号的光谱丰富性。在联合PSG和RWS数据条件下，DairySleepNet仍保持最优（宏F1=86.09%），但RF和LR通过模态融合获得了显著增益（宏F1分别提升4.13和6.51个百分点），缩小了与深度学习模型的差距。
*催眠图（Hypnogram）分析*：对Cow 7整夜记录的催眠图可视化显示，DairySleepNet预测的时序结构高度再现了真实标注的多相性睡眠模式——睡眠与反刍在全夜交替循环而非如人类般整合为单一长时段。模型准确识别了大规模行为转换，包括夜间初期和后期的延展反刍片段及前半夜的整合睡眠片段，但在清晨短暂且快速交替的睡眠-觉醒转换中表现出局部分类困难，与混淆分析结果一致。
*敏感性分析*：在9种架构深度配置（N
S和N
M分别取4、8、16）下，宏F1总变异不足2个百分点（84.43%至86.37%），表明模型性能对架构深度具有鲁棒性。N
S=4、N
M=4的配置取得最优性能并被采纳为默认设置。当单通道编码器较浅时，N
M对性能的影响更大；将N
S增至8以上未带来进一步改善。
**五、讨论与结论**
研究表明，PSG提供的神经生理信号是奶牛睡眠分类最具信息量的表征。RWS鼻带传感器虽成本低廉且已在商业农场中用于采食与反刍监测，但其睡眠检测精度尚不足以替代PSG。一个可行的农场系统需要从鼻带信号中提取更丰富的信息或添加互补的低成本测量手段。联合双模态虽未提高平均性能，但降低了交叉验证变异性，对于优先考虑个体间预测稳定性的纵向监测场景可能具有优势。DairySleepNet在紧凑配置下即实现优异性能，表明其优势源于对时间信息更有效的逐层利用而非更大深度。研究的局限包括：数据仅来自单一栓系式牛舍的7头荷斯坦奶牛，限制了向更大群体、其他品种和替代饲养系统的泛化；标注由单一评分员完成，无法评估评分者间信度；当前逐时段独立分类的设计未利用相邻时段间的时间依赖关系。
研究结论如下：本研究提出了DairySleepNet——一个基于Mamba的深度学习框架，利用多通道生理信号实现奶牛睡眠行为的自动分类。通过将时频表示与捕获通道内时间特征和跨通道交互的两阶段编码架构相结合，该框架在严格的动物水平评估方案下实现了清醒、睡眠和反刍状态的可靠区分。研究结果凸显了神经生理信号在奶牛睡眠表征中的价值，同时揭示了基于加速度计的传感器在单独使用时的当前局限性。除了确立奶牛自动睡眠分类的可行性之外，本工作为细粒度睡眠分期、序列水平时间建模以及互补非侵入式传感模态的整合开辟了有前景的方向。研究人员展望，这些进展最终将支持商业奶牛养殖中可扩展的、面向福利的睡眠监测，并为深入理解反刍动物的睡眠生物学做出贡献。
