有效的上下文特征融合与个性化信息，用于自动化睡眠分期

《Computerized Medical Imaging and Graphics》：Effective contextual feature fusion and individualized information for automated sleep staging

本文提出了一种结合上下文融合模块（CFM）和个体化睡眠分级框架（ISSF）的自动睡眠分级模型，通过整合相邻30秒epoch的特征提升分类准确性，并利用伪标签和非独立训练策略适应个体差异。实验表明，该模型在Sleep-EDF-20和78数据集上分别达到85.3%和80.8%的准确率，在UCD外部测试集上准确率达79.1%，且具有轻量级和临床可部署性。

　　
本文提出了一种结合上下文特征融合与个性化训练框架的自动睡眠阶段分类方法，旨在解决传统方法在时间关联性和个体差异上的局限性。研究背景指出，手动睡眠评分（如EEG、EOG等生理信号分析）需要专业技术人员逐帧评估，耗时且易受主观因素影响。尽管已有研究尝试通过机器学习（如支持向量机、随机森林、深度学习等）实现自动化，但存在两个关键问题：一是未充分建模时间序列的连续性特征；二是未考虑个体生理差异导致的模型泛化能力下降。

### 核心方法与贡献
1. **上下文融合模块（CFM）**
通过加权整合当前及相邻多个时间段的特征，捕捉睡眠阶段的动态连续性。例如，当分析第t秒的睡眠阶段时，综合考虑t-L至t+L秒的多个 epoch 特征（L为融合窗口长度）。权重设计为与距离当前时间段的距离成反比，即越近的相邻 epoch 权重越大。这种设计无需复杂的参数训练，仅需预设权重系数，即可提升模型对时间关联性的捕捉能力。

2. **个性化睡眠阶段框架（ISSF）**
针对新个体病例，ISSF通过以下步骤实现自适应优化：
- **伪标签生成**：基于相似度聚合（如余弦相似度）从大量候选样本中筛选高置信度伪标签。
- **非独立训练策略**：在训练时，既利用已有标注数据，也引入新个体自带的伪标签样本，通过迭代更新模型参数，减少新旧数据分布差异的影响。
- **模块化设计**：将CFM与分类器（如LightGBM、随机森林、SVM）解耦，支持灵活部署。例如，在睡眠-EDF-78数据集上，使用L=2的CFM结合LightGBM作为基线模型，在验证集上达到80.8%的准确率。

3. **多数据集验证与对比分析**
研究在三个公开数据集（Sleep-EDF-20、Sleep-EDF-78、UCD）上验证了方法性能：
- **Sleep-EDF-20**：CFM-lightGBM模型准确率达85.3%，显著优于传统浅层模型（如SVM 83.6%、RF 84.5%）和部分深度学习模型（如XSleepNet 82.2%、AttnSleep 84.0%）。
- **Sleep-EDF-78**：模型在复杂年龄分布（25-101岁）下仍保持80.8%的准确率，超过Zhou et al. (2020)提出的两层堆叠方法（70.0%）和XsleepNet（80.7%）。
- **UCD外测试集**：ISSF框架在独立验证中达到79.1%的准确率，较未个性化处理的模型（73.7%）提升5.4%。研究还通过混淆矩阵分析，发现N1阶段（浅睡眠）的分类准确率较低（MF1<50%），可能与该阶段生理信号过渡性特征复杂、标注易受主观因素干扰有关。

### 技术亮点与创新性
1. **轻量化与模块化设计**
研究采用浅层机器学习模型（LightGBM），避免深度学习的高计算需求。CFM作为独立模块，可无缝集成到现有睡眠分析系统，无需重构整个框架。例如，在临床决策支持系统中，CFM负责预处理，输出标准化特征后，由LightGBM进行分类。

2. **动态权重调整机制**
CFM的权重分配基于预设公式（如距离当前 epoch 的绝对值倒数），无需微调。实验表明，L=2时性能最优，过大的L（如3）会导致噪声引入，准确率下降约2%。这一设计平衡了计算效率与性能增益。

3. **伪标签生成策略**
ISSF通过相似度筛选（如保留每个样本前10%最相似样本）和聚类中心加权，确保伪标签的可靠性。统计显示，在UCD数据集上，约76.4%的伪标签经专家复核与真实标注一致，错误样本的影响被控制在5%以内。

### 实验结果与意义
1. **性能指标对比**
在Sleep-EDF-20数据集上，本方法达到85.3%的准确率（SVM 83.6%、RF 84.5%），且Cohen's κ系数达0.80，优于多数深度学习模型（如ResNetLSTM 0.76、SleepEEGNet 0.66）。对于N3阶段（深睡眠），分类准确率提升至92.2%，较基线模型（RF 89.9%）提高约3%。

2. **临床适用性验证**
在UCD数据集（含年龄跨度大、设备差异多的病例）中，ISSF框架通过个性化适配，准确率较传统方法提升约5%。实验进一步模拟临床场景，发现系统可自动标记置信度低于阈值的 epoch（如标准差>0.3），供人工复核，误报率低于3%。

3. **计算效率与可扩展性**
CFM的上下文融合过程仅需单次矩阵乘法运算，耗时较深度学习模型减少60%以上。ISSF的伪标签筛选通过稀疏矩阵处理，在万级样本量下运行时间控制在10秒内，适合实时临床部署。

### 局限性与改进方向
1. **N1阶段分类难题**
多数模型在浅睡眠阶段表现较弱（MF1<50%），原因可能包括：
- N1与REM、N2阶段的生理信号重叠度高（如EEG频谱特征相似度达68.5%）。
- 标注依赖人工经验，自动化方法难以捕捉瞬态特征（如眼动速度、肌电微动）。

2. **数据依赖性与泛化边界**
ISSF的性能受限于伪标签质量，当新个体与训练集特征差异超过20%时，准确率下降约8%。未来需探索动态权重调整和跨中心迁移学习。

3. **多模态信号整合**
当前方法主要利用EEG和EOG信号，但EMG、体温等信号未充分挖掘。实验表明，加入EMG时频特征可使N1分类准确率提升至51.3%。

### 临床转化潜力
研究提出的方法可部署为以下模块：
1. **批量预分类系统**：对整夜睡眠记录进行自动化评分，生成置信度报告（如REM阶段置信度>85%）。
2. **个体化校准接口**：医生可上传新病例的10-20分钟片段，系统自动生成个性化模型参数（如调整权重系数L=2至L=3）。
3. **交互式审核工具**：标注系统提供置信度评分（0-100%）和错误定位，辅助RPSGT快速修正关键 epoch（如REM与N2混淆时段）。

### 总结
本研究通过上下文融合与个性化训练框架，有效解决了自动化睡眠评分中的两大核心问题。实验证明，其准确率在基准数据集上达到85%以上，且在真实临床场景（如UCD数据集）中表现出良好的泛化能力。未来计划与医疗机构合作开展前瞻性研究，评估该系统在睡眠呼吸暂停筛查中的诊断一致性（Cohen's κ>0.75）和误报率（<5%）是否符合临床标准。

（注：全文约2200词，已去除所有数学公式，并保持技术细节的完整性与可读性。）