编辑推荐：
睡眠阶段分类对评估睡眠质量和诊断睡眠障碍意义重大。当前方法在处理多通道睡眠监测信号时，忽略时空与频谱 - 时间特征的异质融合。研究人员提出可解释的多流融合网络 MSF - SleepNet，实验表明其性能卓越，为睡眠研究提供新方向。
睡眠，占据了人们约三分之一的人生时光，却如同神秘的 “黑匣子”，对健康的影响至关重要却又难以捉摸。睡眠质量直接关联着人们的身心健康，糟糕的睡眠可能引发诸如中风、脑损伤等严重健康问题。依据美国睡眠医学学会（AASM）的划分，夜间睡眠可分为清醒（W）、快速眼动（REM）和非快速眼动（NREM）三个主要阶段，其中 NREM 还能进一步细分为 N1、N2 和 N3 阶段。准确判定睡眠阶段，是医生评估睡眠质量、精准诊断疾病并制定合理治疗方案的关键手段。
在临床实践中，多导睡眠图（PSG）是睡眠阶段分类的 “金标准”，它主要包含脑电图（EEG）、眼电图（EOG）、肌电图（EMG）和心电图（ECG）等信号。过往，众多研究人员积极探索自动睡眠阶段分类方法，取得了一定成果。但传统基于特征的机器学习方法，高度依赖睡眠监测信号质量和领域知识，在实际应用中受限明显；而基于深度学习的端到端方法，虽能有效利用多通道脑信号的时变时空特征，却忽视了时空与频谱 - 时间特征信息的异质融合，无法充分发挥分类性能。
为突破这些困境，广东司法警官职业学院信息管理系、深圳技术大学大数据与互联网学院、华南师范大学计算机科学学院等多机构的研究人员，联合开展了一项关于睡眠阶段分类的研究。他们提出了一种可解释的多流融合网络 ——MSF - SleepNet。
研究人员采用了多种关键技术方法。在时空特征提取方面，运用 Chebyshev 图卷积和时间卷积，从睡眠监测信号的身体拓扑信息中获取时空特征；同时利用短时间傅里叶变换（STFT）和门控循环单元（GRU），学习频谱 - 时间特征。之后，融合时空与频谱 - 时间特征，并借助对比学习增强不同睡眠阶段信号特征模式的差异。此外，使用局部可解释模型无关解释（LIME）提升模型的可解释性。研究采用了两个公开数据集 ISRUC - S1 和 ISRUC - S3，其中 ISRUC - S1 包含 100 名睡眠障碍患者，ISRUC - S3 包含 10 名健康受试者。
研究结果如下：
- 实验设置与数据集：为确保公平对比，研究对所有模型采用相同实验设置和环境配置。在 ISRUC - S3 数据集上采用 10 折交叉验证和受试者独立策略；在 ISRUC - S1 数据集上，将 100 名受试者数据随机分为 10 组，进行类似的交叉验证。
- 性能对比：将 MSF - SleepNet 与其他睡眠分期方法对比发现，在 ISRUC - S3 数据集上，MSF - SleepNet 总体准确率达 0.849，F1 分数为 0.838，Kappa 分数为 0.805 ，在多个评估指标上优于其他模型。在 ISRUC - S1 数据集上同样表现出色，总体准确率为 0.826，F1 分数为 0.809。该模型在各睡眠阶段分类上也更准确，如 W 阶段和 N3 阶段分类准确率较高，分别达 0.912 和 0.910，N2 阶段和 REM 阶段分类准确率也高于多数对比模型。
- 模型可解释性：利用 LIME 工具对模型进行解释，通过实验验证了模型对各睡眠阶段预测的准确性。研究发现，模型预测结果与 AASM 手册及领域知识相符，如去除特定频率带会影响对应睡眠阶段的预测准确率。
- 消融实验：将 MSF - SleepNet 分解为五个独立部分进行消融实验，结果表明随着模块的逐步融合，模型的评估指标逐渐提升，证明了每个模块在模型中的有效性。
研究结论和讨论部分指出，MSF - SleepNet 在睡眠阶段分类性能上超越了前沿方法，充分融合多种异质信息能显著提升分类效果。同时，模型的可解释性分析进一步证明其可靠性和透明度。该研究成果为睡眠阶段分类提供了更精准、可解释的方法，有助于医生更准确地评估睡眠质量和诊断睡眠障碍，在睡眠健康研究领域具有重要意义，为后续相关研究和临床应用奠定了坚实基础。
