基于经颅红外心电图的无创脑刺激睡眠分期分类方法研究及其在家庭医疗中的应用

推荐：为解决传统多导睡眠图(PSG)技术侵入性强、成本高的问题，研究人员开发了基于单通道心电图(ECG)和心率变异性(HRV)特征的INFO-ABCLogitBoost模型，结合经颅红外(tNIR)刺激技术，实现83.67%的睡眠分期准确率，为家庭睡眠监测提供创新解决方案。

　　

睡眠质量与人体健康密切相关，但现代生活节奏加快导致睡眠障碍发病率显著上升。传统多导睡眠图(PSG)虽为睡眠监测"金标准"，但存在多电极干扰、需专业实验室操作等局限性。为此，研究人员探索基于单通道心电图(ECG)的非侵入式监测方案，通过分析心率变异性(HRV)特征与睡眠阶段的关联性，开发新型分类算法。

研究团队提出整合经颅红外(tNIR)刺激技术的创新方法，采用最大重叠离散小波变换(MODWT)进行ECG信号多分辨率分析，提取R波峰值信息并计算一阶偏差形成RR间期序列。基于此，研究人员从时域、频域和非线性域等维度提取77项HRV特征，通过基尼指数和ReliefF算法筛选出38个关键特征。最终构建的INFO-ABCLogitBoost模型融合加权向量平均(INFO)优化算法，在五阶段睡眠分类任务中实现性能突破。

研究方法上，团队采用荷兰Haaglanden医学中心的睡眠数据集(含13,668段睡眠数据)和意大利帕尔马医院的CAP数据库(含多种睡眠障碍患者数据)。技术路线包含：1)ECG信号预处理与特征提取；2)HRV特征选择与降维；3)INFO算法优化的ABCLogitBoost分类模型构建。

研究结果显示，在HMC数据集上，模型整体准确率达83.67%，Kappa系数77.94%，F1-score 82.97%，显著优于传统PSG方法和现有机器学习模型。特别在NREM3期识别中达到86.31%的召回率，较次优模型提升4.51个百分点。跨数据库验证表明，模型在快速眼动睡眠行为障碍(RBD)和失眠患者数据中保持85%以上准确率，标准差仅4.51%，展现优异泛化能力。

这项发表于《Neuroscience Informatics》的研究具有重要临床价值：首先，提出的单通道ECG方案大幅降低监测成本，使家庭睡眠评估成为可能；其次，tNIR刺激的引入为睡眠调节提供新思路；最后，INFO-ABCLogitBoost框架为生理信号分析树立新范式。未来研究可探索非接触式心冲击图(BCG)与睡眠分期的映射关系，进一步优化监测体验。该成果为睡眠医学领域提供了兼具创新性和实用性的技术方案。