多通道多导睡眠图传感器融合用于自动睡眠分期分类

《Sensors》：Multichannel Polysomnographic Sensor Fusion for Automatic Sleep Stage Classification

　　

自动睡眠分期分类可减轻手动多导睡眠图评分的负担，但可靠的模型必须考虑异质性生理信号、时间依赖性和严重的类别不平衡。本研究提出了一种双流深度学习框架，基于30秒多导睡眠图片段进行五类睡眠分期，使用两个脑电图（EEG）信号、一个眼电图（EOG）信号和一个颏下肌电图（EMG）信号。通过一维卷积提取时域特征，同时由二维卷积分支处理短时傅里叶变换（STFT）频谱图以获得互补的时频信息。所得特征被融合并通过双向长短期记忆（BiLSTM）网络在五段上下文窗口内进行分析。仅在训练期间对长时间清醒期进行删减以减少多数类主导性，而不改变评估分布。对78名受试者进行受试者独立五折交叉验证，结果显示平均准确率为91.5%，平衡准确率为78.5%，宏F1分数为77.4%，Cohen's kappa系数为0.829。受控的架构和通道消融实验进一步量化了时间上下文、时频处理、清醒删减以及各个多导睡眠图信号的贡献。一种轻量级纯时域变体达到了88.8%的准确率、72.7%的平衡准确率、73.8%的宏F1分数和0.779的Cohen's kappa系数。这些发现支持使用多模态时频融合实现稳健的自动睡眠分期，同时突显了分类性能与模型复杂度之间的权衡。

多通道多导睡眠图传感器融合用于自动睡眠分期分类：研究解读

一、研究背景与问题

睡眠分期传统上由经过培训的专家通过检查多导睡眠图记录，并根据标准化评分规则将每个30秒评分片段分配至觉醒期（W）、非快速眼动睡眠N1、N2、N3期或快速眼动（REM）睡眠期。尽管这一程序在临床上已确立，但手动评分耗时且存在评分者间变异性，尤其对于N1等过渡阶段。这些局限性推动了基于机器学习和深度学习的自动睡眠分期分类方法的开发。

自动分类面临多重挑战：首先，EEG、EOG和EMG描述不同的生理过程，必须在统一模型中有效组合；其次，睡眠阶段既表现为短时波形模式又具有广泛的光谱特征，需要同时分析时域和时频信息；第三，相邻睡眠片段并非独立，因为睡眠通过结构化的时间转换演变；最后，睡眠阶段间的严重不平衡可能使模型优化产生偏差，使总体准确率不足以评估性能。因此，本研究的目的是探讨如何将多通道PSG信息、时域和时频特征提取、时间上下文以及仅训练阶段的类别不平衡处理整合到一个统一框架中，用于受试者独立的五类睡眠分期分类。

二、研究方法概述

研究人员采用公开的Sleep-EDF Expanded数据库，包含153份PSG记录文件对应78名独特受试者。预处理中使用MNE-Python将颏下EMG包络重采样至100Hz公共时间网格。输入信号包括两个EEG信号（Fpz-Cz和Pz-Oz）、一个水平EOG信号和一个颏下EMG信号。核心技术方法包括：（1）双流架构，结合一维（1D）时域卷积特征提取与基于短时傅里叶变换（STFT）的二维（2D）卷积时频分析；（2）五段滑动上下文窗口结合双向长短期记忆（BiLSTM）网络进行时序建模；（3）仅训练阶段的清醒删减策略，每段连续清醒运行仅保留前60个片段；（4）受试者独立五折交叉验证评估协议。

三、研究结果

3.1 整体分类性能

双流模型实现了最佳测试集性能，总体准确率为91.5%，平衡准确率为78.5%，Cohen's kappa系数为0.829。轻量级1D变体达到88.8%准确率、72.7%平衡准确率和0.779的kappa系数。这表明显式频谱图处理提供了时域卷积单独无法完全恢复的信息。

3.2 五折交叉验证性能

受试者独立五折交叉验证得到平均总体准确率91.5%、平均平衡准确率78.5%、平均宏F1分数77.4%、平均Cohen's kappa系数0.829。在类别层面，觉醒期表现最高（F1分数98.0%），N2期F1分数83.4%，REM期82.6%，N3期75.9%。N1期仍是最具挑战性的类别，平均精确率45.2%、召回率49.0%、F1分数47.1%。

3.3 架构消融研究

去除时间上下文导致全局性能最低（准确率87.65%，平衡准确率70.92%，宏F1分数70.08%），N1期召回率降至25.24%。去除BiLSTM模块后准确率88.60%，平衡准确率71.80%，宏F1分数73.12%。去除STFT-Conv2D分支后，时域模型准确率88.93%，平衡准确率72.57%，宏F1分数74.40%，但N3期召回率降至63.40%。去除训练阶段清醒删减后准确率最高达89.19%，但宏F1分数降至72.60%，N1期召回率降至28.95%。

3.4 PSG通道消融研究

同时去除两个EEG通道导致最大性能下降：准确率降至85.6%，平衡准确率降至63.3%，宏F1分数降至65.9%。去除EOG通道后准确率88.2%，平衡准确率72.3%，宏F1分数71.9%，REM期F1分数降至74.7%。去除EMG通道保留了最高的消融变体性能（准确率88.8%，平衡准确率73.5%，宏F1分数74.4%），但REM期F1分数从82.6%降至77.9%。

3.5 混淆矩阵分析

双流模型的逐行召回率为：W期96.9%，N1期49.0%，N2期85.3%，N3期75.0%，REM期86.1%。轻量级1D变体的对应召回率为97.0%、39.2%、86.6%、68.0%和72.7%。

3.6 时频融合效果

双流模型与轻量级模型之间的差距为总体准确率2.7个百分点和kappa系数0.050，表明STFT-Conv2D分支贡献了有用的补充信息。

3.7 临床意义

平均kappa系数0.829处于通常被解释为几乎完美一致的范围，而轻量级1D模型（kappa系数0.779）保持在实质一致性范围内。

四、讨论与结论

讨论部分指出三个主要观察：第一，多通道PSG传感器融合是有用的，因为EEG、EOG和EMG编码互补的生理信息；第二，显式STFT特征与纯1D架构相比与改进的性能相关；第三，类别不平衡处理必须与评估分离。与现有方法比较，在in-bed-only约定下，双流模型准确率81.3%、宏F1分数76.9%，高于所有纳入比较的代表性方法，包括XSleepNet2（准确率80.3%，宏F1分数76.4%）。

研究结论：本研究提出了一个基于四通道PSG传感器融合的双流深度学习管道用于自动睡眠分期分类。该架构结合了原始时域卷积特征、STFT频谱图特征和五段双向时序建模。仅训练阶段的清醒删减减少了长时间清醒尾部造成的不平衡而不改变验证或测试记录。所提出的模型在相同的受试者独立五折交叉验证协议下，平均准确率91.5%、平均平衡准确率78.5%、平均宏F1分数77.4%、平均Cohen's kappa系数0.829，优于轻量级1D对比模型。这些发现表明时频传感器融合是面向临床的睡眠分期的有用设计选择，而紧凑型1D模型仍是资源受限应用中的实用替代方案。本研究仅限于Sleep-EDF Expanded数据库评估，未来工作将集中于外部验证、受试者级别校准、可解释性分析以及在资源受限硬件上的计算复杂度测量。