一种多粒度特征混合框架，用于单通道脑电图（EEG）睡眠分期，并结合混合数据增强技术

《Biomedical Signal Processing and Control》：A Multi-Granularity Feature Mixing Framework for single-channel EEG sleep staging with Hybrid Data Enrichment

针对EEG睡眠分阶段存在的标注数据不足和特征提取困难问题，本文提出多粒度特征混合框架MFM，通过混合数据增强与双向交叉粒度混合技术提升模型性能，实验表明在多个指标上优于基线模型。

　　
本文针对单通道EEG信号睡眠分段存在的训练样本不足、数据不平衡及特征提取能力有限等核心问题，提出一种名为Multi-Granularity Feature Mixing Framework with Hybrid Data Enrichment（MFM）的创新解决方案。该框架通过双重技术路径实现突破：一方面构建融合传统增强方法与大型语言模型（LLM）的混合数据增强体系，另一方面设计双向跨粒度特征混合机制，显著提升睡眠阶段的分类精度与模型鲁棒性。

在数据增强方面，研究团队创造性地整合了两种互补技术。传统方法通过时间切片、随机平移等空间变换手段，但存在破坏信号时序连续性的缺陷。新型LLM增强技术则采用极端点引导的降采样策略，在保留关键生理特征的基础上，通过自然语言生成框架引导模型学习睡眠阶段的动态演变规律。值得注意的是，研究团队特别设计了基于五种距离度量的筛选机制，包括欧氏距离、曼哈顿距离、动态时序规整（DTW）、分数集距离（Fréchet）和豪斯多夫距离（Hausdorff），有效过滤了LLM生成中约35%的低质量伪样本。这种混合增强策略不仅使数据总量提升4.2倍，更在跨验证测试中展现出与真实样本高度相似的特征分布。

特征融合机制是MFM框架的另一核心创新。通过构建双向跨粒度交互网络，模型能够同时捕捉毫秒级瞬时特征（如θ波振荡）和小时级周期性特征（如睡眠周期节律）。具体而言，网络架构采用残差连接设计，前向分支处理高频细节特征，后向分支提取低频宏观模式，双向交互模块通过门控机制实现特征自适应加权。实验数据显示，这种跨粒度融合使模型对N2-N3阶段的区分准确率提升至98.7%，较传统单粒度模型提高4.6个百分点。

研究团队在Sleep-EDF-20数据集上的实验验证尤为关键。该数据集包含20名健康志愿者的单通道EEG记录（Fpz-Cz），采样频率100Hz，划分为W、N1-N3和REM五个阶段，共42,308个30秒非重叠片段。对比实验显示，MFM框架在以下指标上均实现显著提升：分类准确率从基线模型的92.4%提升至94.3%（+1.9%），宏平均F1分数从89.1%增至91.9%（+2.8%），Cohen's Kappa系数从0.76升至0.79（+3.5%）。特别值得关注的是在数据稀缺的N3阶段（占比仅6.8%），MFM通过增强策略和特征融合，使该类别的召回率从基线模型的71.2%跃升至85.3%，有效缓解了类别不平衡问题。

在方法实现层面，研究团队设计了严谨的技术路线。数据预处理阶段采用极值点检测算法，在保留95%以上关键生理特征的前提下，将原始信号降维至1/6长度，同时构建了包含时频域特征、熵值特征和功率谱特征的多维度描述子集合。LLM增强模块通过微调1750条睡眠阶段标注文本，生成符合医学规范的数据样本，并通过交叉验证确保生成的数据在时序连续性和生理合理性上达到AASM标准要求。特征融合模块特别引入双向注意力机制，前向处理网络关注高频瞬态特征（如 spike-and-s.getStringify 事件），反向处理网络则聚焦低频周期特征（如 sleep cycle 阶段转换点），两者在交互层进行特征融合。

实验对比部分揭示了MFM的深层优势。在消融实验中，单独使用Hybrid Data Enrichment可使模型准确率提升1.2%，而加入BCGM模块后准确率再提升1.7%，验证了双重技术路径的协同效应。特别在噪声抑制方面，MFM框架通过特征混合机制将信噪比（SNR）从基线模型的-3.2dB提升至-1.8dB，有效缓解了EEG信号中常见的肌电干扰和基线漂移问题。模型鲁棒性测试显示，在随机删除20%训练样本的情况下，MFM的F1分数仍保持91.2%，较传统模型下降幅度减少65%。

该研究的理论突破体现在对多粒度特征融合的深度探索。传统方法往往局限于单一粒度特征（如时域窗口或频域系数），而MFM框架通过构建粒度转换矩阵，实现从毫秒级到分钟级的跨尺度特征映射。具体而言，高频特征（0-40Hz）通过短时傅里叶变换提取，中频特征（40-150Hz）采用小波包分解，低频特征（150-250Hz）则通过经验模态分解获取。这些特征在双向跨粒度交互层进行动态组合，模型可根据当前睡眠阶段自动调整特征权重分配。

在工程实现上，研究团队开发了高效的特征混合算法。针对单通道EEG信号的特殊性，设计了一种基于时间片的滑动窗口特征拼接技术，将窗口内的高频细节与窗口间的低频趋势进行关联分析。同时引入注意力机制优化特征组合过程，使模型能够自动识别哪些特征组合对特定睡眠阶段具有更高区分度。这种自适应特征融合机制在测试集上展现出良好的泛化能力，跨数据集的验证准确率保持在93.5%以上。

该研究的临床价值体现在对睡眠阶段过渡特征的精准捕捉。通过BCGM模块的跨粒度交互，模型能够识别出传统方法忽略的临界点特征，例如N2到N3阶段转换时的特定熵值突变（平均突变强度达0.38），以及REM睡眠初期的快速眼动信号与θ波振荡的协同模式。这种对过渡状态的细致刻画，使得模型对睡眠阶段分界点的识别准确率提升至97.4%，较传统模型提高12个百分点。

研究还创新性地构建了多维度评估体系。除常规分类指标外，首次引入睡眠连续性指数（SCI）评估模型对睡眠周期整体连续性的保持能力。实验数据显示，MFM框架的SCI评分达到0.89，较次优模型提升18.7%，表明其在维持睡眠阶段时序逻辑方面具有显著优势。此外，通过设计对抗性测试场景，模型在噪声干扰下的分类稳定性提升37%，验证了其在真实临床环境中的实用价值。

在开源生态方面，研究团队不仅公开了完整代码库（GitHub: aeriy/MFM），还特别开发了数据增强质量评估工具包。该工具包包含五类评估指标：生成样本的生理合理性指数（PRI）、与原始数据的时序一致性度量（TSM）、特征分布相似度系数（FSC）、噪声抑制效率（NIE）以及跨模型泛化能力（CGA）。这些评估工具为后续研究提供了标准化判断依据，目前已被6个相关研究团队纳入实验流程。

需要特别指出的是，研究团队在LLM增强过程中攻克了两大技术瓶颈：首先通过设计"生理特征约束模板"，有效引导LLM生成符合医学规律的睡眠信号；其次开发"动态质量评估系统"，实时监控生成样本的合理性，将低质量样本率从LLM原始输出的42%降至8%以下。这种双重约束机制确保了数据增强的质量与多样性。

在模型架构优化方面，研究提出的三级特征融合架构（Three-Layer Feature Fusion, TLFF）具有突破性意义。第一级融合层处理原始EEG信号的时频特征，第二级跨粒度交互层实现毫秒级与秒级特征的自适应对齐，第三级决策融合层则整合不同粒度特征的综合表现。这种层次化设计使模型既能捕捉瞬态生理变化（如REM睡眠中的快速眼动事件），又能把握长期睡眠周期规律（如NREM阶段的周期性下降趋势）。

实验对比部分充分展示了MFM的综合优势。在标准Sleep-EDF-20数据集上，与当前最先进的6种模型相比，MFM在准确率（+1.9%）、宏F1（+2.8%）、Kappa系数（+3.5%）等核心指标上均呈现显著优势。特别在复杂场景测试中，当输入信号存在30%以上的基线漂移时，MFM仍能保持92.3%的准确率，而次优模型下降至78.6%。这种鲁棒性提升主要得益于BCGM模块的特征冗余消除机制，通过构建特征相关性矩阵，自动识别并抑制不相关特征，使有效特征利用率提升至91.2%。

在工程应用层面，研究团队开发了轻量化部署方案。通过设计特征蒸馏模块，可将原始MFM模型的参数量压缩至1/8，同时保持98.6%的准确率。这种优化使得模型能够适配移动医疗设备，为可穿戴设备上的实时睡眠监测提供了技术可行性。此外，研究提出的混合增强策略在资源受限环境下展现出独特优势，在只有5%标注样本的情况下，通过MFM框架生成的增强数据可使模型达到82.3%的测试准确率，较传统方法提升21个百分点。

该研究的理论贡献在于建立了多粒度特征融合的理论框架。通过构建跨粒度特征交互矩阵，研究首次量化了不同粒度特征（如时域、频域、熵值特征）之间的耦合强度。实验数据显示，在N2-N3阶段转换时，时域特征与频域特征的耦合系数达到0.87，显著高于其他阶段的0.52平均值。这种耦合特性为后续研究多模态睡眠监测提供了重要理论支撑。

在数据质量监控方面，研究团队开发了多维度评估体系。除了常规的准确率和F1分数外，创新性地引入了"生理特征保留度"（PRR）和"时序连续性指数"（TCI）两个评估指标。其中PRR通过计算生成样本与原始样本在特征空间的重叠度来衡量生理合理性，TCI则通过检测样本间的时间逻辑一致性评估连续性。实验证明，MFM框架的PRR指数达到0.91，TCI指数达到0.88，均优于现有方法。

该研究对临床实践具有多重指导意义。首先，通过混合增强策略生成的合成数据，使小样本场景下的模型训练周期缩短40%，标注成本降低65%。其次，BCGM模块对特征的多粒度融合，显著提升了模型对病理信号的敏感性，在测试集上对阻塞性睡眠呼吸暂停的识别准确率提升至89.7%。此外，模型在跨设备迁移测试中表现出良好的泛化能力，在三种不同采样率（100Hz/200Hz/400Hz）设备上的平均准确率达93.2%，验证了其技术移植的可行性。

最后，研究团队特别关注伦理问题，开发了数据增强的合规性审查机制。通过构建包含12类医学伦理原则的评估框架，确保生成的所有数据均符合《赫尔辛基宣言》和《人工智能医疗伦理准则》要求。这种前瞻性的设计为AI医疗应用树立了伦理规范标杆，目前已有3家医疗机构将其纳入数据管理规范。

该研究在EEG信号处理领域实现了多项突破：首次将LLM与多粒度特征融合结合应用于睡眠分段，开发出具有自主知识产权的混合增强框架，构建了包含8大核心模块的完整技术体系，并通过大量实验验证了其显著优势。这些创新成果不仅推动了自动睡眠分段的准确率突破93%的技术瓶颈，更为后续研究多模态睡眠监测、病理信号识别等方向提供了重要的技术基础和理论框架。