基于经颅聚焦超声-脑电图特征融合的下一代临床应用无创睡眠分期新方法

本研究针对传统睡眠分期方法依赖专家经验、效率低下且对N1和REM期识别率低的问题，创新性地提出基于经颅聚焦超声(tFUS)的多模态特征融合深度学习模型(MFDL)。通过双通道1D-CNN提取EEG/EOG特征，结合自适应特征融合模块和Bi-LSTM时序建模，在Sleep-EDF数据集上实现94.1%准确率，显著提升N1期(64.6%)和REM期(93.5%)召回率，为无创脑刺激技术提供精准的睡眠状态监测方案。

　　

睡眠质量评估是诊断神经系统疾病的重要指标，但传统依靠专家人工判读多导睡眠图(PSG)的方法存在效率低下、主观性强等问题。尤其令人困扰的是，现有自动分期技术对睡眠初期(N1)和快速眼动期(REM)的识别准确率普遍偏低——这两个阶段恰恰与多种睡眠障碍的早期诊断密切相关。更棘手的是，不同睡眠阶段的脑电信号特征差异细微，而医疗资源分布不均使得数百万睡眠障碍患者难以获得及时诊断。

针对这些挑战，研究人员开发了名为MAFSNet的多模态自适应融合睡眠网络。这项创新研究通过巧妙融合经颅聚焦超声(tFUS)技术与深度学习算法，实现了睡眠分期的重大突破。研究团队首先设计了两套独立的1D卷积神经网络(1D-CNN)架构：对于脑电图(EEG)信号，采用集成通道-空间注意力机制的7层核卷积网络；对于眼电图(EOG)信号，则创新性地构建了并行双尺度CNN，分别用50/5和500/7两种核尺寸捕捉不同频率特征。通过自适应特征融合模块动态分配EEG和EOG特征的权重系数(W_C
¹
和W_C
²
)，再经由双向长短期记忆网络(Bi-LSTM)学习睡眠阶段转换的时序规律，最终在Sleep-EDF数据集上取得了突破性进展。

关键技术包括：1)使用Sleep-EDF和扩展版SEDFX数据集，包含20-78名受试者的EEG(100Hz)/EOG(100Hz)数据；2)设计带注意力机制的双流1D-CNN特征提取网络；3)开发基于SoftMax的动态特征融合模块；4)应用双向LSTM捕捉睡眠阶段转换时序特征；5)采用焦点损失函数解决样本不平衡问题。

EEG-based睡眠特征学习模块
通过深度可分离卷积和通道-空间注意力机制，有效提取δ、θ等脑电特征。实验显示单独使用EEG时N1期召回率为42.1%，证明其能捕捉细微的脑电波动。

EOG-based睡眠特征学习模块
双尺度CNN结构成功识别REM期特征性眼动，单独使用EOG时REM召回率达76.8%，显著优于单一EEG模型。

自适应特征融合模块
通过权重分配公式G?=W_C
¹
·g?^F
⊕W_C
²
·g?^O
实现特征优化组合，使N1和REM召回率分别提升至54%和88.2%。

时序特征学习模块
Bi-LSTM通过前向传播h_i
^g
和反向传播h_i
^b
捕捉睡眠阶段转换规律，将整体准确率从90.8%提升至94.1%。

这项研究开创性地将tFUS技术与深度学习相结合，解决了睡眠分期中的关键难题。特别值得注意的是，该方法在保持整体高准确率(94.1%)的同时，将具有临床诊断价值的N1期识别率提升至64.6%，较现有最佳方法提高3.4个百分点。Kappa系数达88.2%，表明其与专家评估具有高度一致性。这些突破为开发新一代无创脑刺激设备奠定了技术基础，有望推动个性化睡眠障碍诊疗方案的实现。研究团队特别指出，未来可通过优化网络结构进一步提升N1期的精确度，这将为临床早期识别睡眠障碍提供更可靠的工具。