睡眠自动分期是指利用计算机算法或人工智能技术来对睡眠过程中的不同阶段进行识别和分类的方法。睡眠分期是睡眠质量评估和睡眠相关疾病诊断的重要依据，但传统的人工分期方法耗时费力，且存在主观差异。因此，睡眠自动分期具有重要的临床意义和研究价值，帮助医生诊断睡眠障碍、提高睡眠质量、优化睡眠周期等。

睡眠自动分期的基本原理是利用多导联或单导联的多生理信号（如脑电图、心电图、肌电图等）作为输入，提取信号的时域、频域或时频域特征，然后使用机器学习或深度学习等算法来训练和测试分类模型，最后输出每个时段（通常为30秒）的睡眠阶段标签。睡眠阶段的标准有多种，其中最常用的是美国睡眠医学会（AASM）制定的标准，将睡眠分为觉醒、快速動眼期（REM）和非快速眼动睡眠（NREM）三大类，其中NREM又细分为N1、N2和N3三个阶段。

睡眠自动分期的主要挑战是如何处理信号的噪声、干扰和不平衡性，以及如何提高模型的泛化能力和鲁棒性。目前，已经有许多研究者提出了各种各样的方法来解决这些问题，例如使用数据增强、特征选择、集成学习、卷积神经网络、循环神经网络等技术。这些方法在不同的数据集上都取得了一定的效果，但是仍然有改进的空间和潜力。

人工手动睡眠分期
在临床诊断上，睡眠分期主要由专家进行手工分期，在分期过程存在主观偏差和不一致性等，且整晚睡眠的时间较长，导致手工睡眠分期效率低且错误率高 。人工分期会受到分期标准、个体差异、培训指导 等多方面的主观或客观条件的影响，而计算机进行的睡眠自动分期，不仅可以解决上述诸多问题，还可以将医师从繁重的分期工作中解放出来。

睡眠分期是睡眠研究工作的基础，所以快速准确地进行睡眠的自动分期就尤为重要。目前，进行睡眠自动分期主要有两种办法，一种是基于统计规则的睡眠自动分期，另一种是基于深度学习的端对端睡眠自动分期研究方法。

睡眠自动自动分期规则
典型的睡眠特征波
脑电信号的频率一般在0.5~30 Hz。一般会按照频率、波幅的范围进行对脑电波进行分类，以此来表示睡眠过程中出现的各种特征波形。典型的睡眠特征波如下列表：

β波：常见于清醒期，频率大于13 Hz，没有标准的振幅和形态。

α波：常见于安静时闭眼状态和REM时期，频率在8~13 Hz。睁眼时消失。没有标准的振幅和形态，往往表现为渐变状。老年人的频率和振幅降低。主要出现在枕部的EEG中。

θ波：常见于N1期的后期，频率在4~7 Hz之间，没有标准的振幅和形态，振幅通常大于50 uV。有时是短阵高压电波。在中央部位很明显。

颅顶尖波：常见于N1睡眠期后期，外形尖锐，与背景是明显不一样的。没有一定标准的振幅和形态，持续时间通常小于0.5秒。

睡眠纺锤波：常见于N2，N3时期，有着规则的外形，频率为11~16 Hz (通常是12~14 Hz)，时间一般都会大于0.5秒，主要位于中央部。

K复合波：常见于N2期，是N2期的特征性电波。没有标准的频率，在背景中很突出，有一个标准的形状：先是一个向上的负向波紧接着一个向下的正向波。时间大于0.5秒。通常在颈部是最明显的。

δ波：常见于慢波睡眠中，频率在0.5~2 Hz，通常情况下，振幅大于75 uV，出现在N2期的时候，所占比例低于20%，如果出现在N3时期，所占比例大于20%。

锯齿波：常出现于REM时期，频率在3~7 Hz，形状为尖锐的三角形波。值得一提的是，REM时期的锯齿波其实就是θ波。

成年人睡眠的分期规则
如下：可以观察到快速眼球运动。肌肉的活动水平则会达到整个晚上的最低水平。几乎接近于一个平坦的状态。总体来说，当出现了低波幅混合波，低的肌肉活动水平以及快速的眼球运动就可以将这一时期判读为REM睡眠期。这一时期之后，可以过渡到W期或者N3时期，如果没有出现慢速眼球运动，肌肉的水平依然是低状态，继续判读为R期。睡眠时期与特征脑电的关系如下表所示。

十九世纪之前，睡眠的研究几乎处于空白状态。到了十九世纪，各种睡眠理论开始涌现，脑电图等电生理技术被应用于睡眠研究。1928年，德国学者发现人在睡眠状态和觉醒时，其脑电信号的变化节律不同。1937年，基于脑电图，睡眠被分为5个时期。

1953年，Aserinsky和Kleitman发现了睡眠中眼球的快速转动，即快速眼动睡眠期(Rapid Eye Movemrnt, REM)被发现。随后，为了能够对睡眠进行定量分析研究，R&K标准被制定。这一标准由Rechtsehafen与Kales于1968年提出。R&K标准对睡眠中出现的6个阶段进行划分。除了清醒期(Wake, W)，睡眠可以分为快速眼动睡眠相(Rapid Eye Movemrnt, REM)和非快速眼动睡眠相(Non-Rapid Eye Movement, NREM)。其中，非快速眼动期又可以分为睡眠一期(S1)到睡眠四期(S4)四个时期。其中S1和S2为浅睡眠，S3和S4为深睡眠。

目前国际上普遍采用2007年美国睡眠医学会(The American Academy of Sleep Medical, AASM)修正过的R&K睡眠分期标准——AASM睡眠分期标准并正式发布于《睡眠及相关事件判读手册》。该手册首次规范化了睡眠相关规则术语和判别方法，这具有划时代的重要意义。这一判读标准将原有的六个睡眠时期变更为5个 。将睡眠过程修改为清醒期(W)、浅睡期(N1、N2)、深睡期(N3)、和快速眼球运动期(REM) 。

一个神经元的电位变化很微小，但是大量的神经元细胞在同一时间发生变化，就会形成明显引发大脑皮层的电位变化，出现明显脑电信号。通常情况下，脑电信号的波幅最大不会超过100 uV，这是一种极其微弱的信号。

因此脑电信号的监测需要特定的专业设备获取。专业医学领域，通常使用多导睡眠记录仪来完成这项工作。现阶段市场上的睡眠记录仪有很多，但是基本结构大同小异，一般由电极、信号放大器、存储器以及显示屏等组成。

PSG多导睡眠仪收集
在临床应用中，通常使用多导睡眠仪(polysomnography, PSG)收集和记录患者的整晚脑电信号。PSG的电极放置采用国际标准的10~20系统电极放置法 ，即首先确定鼻根到枕骨部之间、两只耳朵左右方向之间的连线，两条直线的交点是Cz电极，从鼻子根部往后量大概10%的地方是FPz (额部中线)电极，从FPz再向后量每一个20%都放置一个电极，依次定义位置Fz、Cz、Pz以及Oz。大多数研究者选择FPz-Cz通道进行实验，因为该通道包含的脑电信息更为丰富，是脑电记录中的典型通道。

睡眠分期是从PSG监测到的生理信号中提取睡眠周期信息的过程。1968年，Rechtschaffen和Kales最早制定和出版了相对统一和标准的睡眠分期标准，即R&K判读规则 。它将睡眠分成了不同的阶段：清醒期(wake, W)、非快速眼动睡眠(non rapid eye movement, NREM)、快速眼动睡眠(rapid eye movement, REM)。其中NREM又被分为I~IV期，分别代表睡眠由浅入深过程的不同阶段。

睡眠自动分期公开数据库
常用于自动睡眠阶段分期的公开脑电数据库有六个。其中五个数据库可从PhysioNet上免费下载

睡眠集–欧洲数据格式(sleep-european data format, Sleep-EDF)

扩充的睡眠数据集(sleep-EDF database expanded, SLEEP-EDFx)

睡眠心脏健康研究(the sleep heart health study, SHHS)

麻省理工学院贝斯以色列医院数据库(MIT-BIH) 和ISRUC-Sleep数据集

蒙特利尔睡眠研究数据(the montrealarchive of sleep studie, MASS)需要获得许可下载

基于深度学习的睡眠分期方法
近年来，深度学习技术的理论得到了极大的发展 ，而且随着计算机计算能力的加强以及GPU技术的出现，越来越多的深度学习项目取得了令人欣喜的成果 。

在睡眠分期方面，各种不同的神经网络也都取得了较高的分期准确率。由于睡眠脑电数据非平稳、非线性的特点，传统的机器学习方法需要研究人员在分期过程中进行干预，而神经网络能够很好地解决此类问题，因而越来越多的研究者将神经网络技术应用于睡眠的自动分期任务中。神经网络应用于睡眠分期时，输入以及网络结构是两个重要方向。

神经网络输入
在基于深度学习的睡眠自动分期方法中，分类器的输入数据有两种不同的情况，分别是输入单通道的脑电数据，以及多通道的睡眠体征参数，包括睡眠脑电数据、睡眠眼电数据、肌电数据以及呼吸数据等。其中，由于睡眠多导记录仪会记录多个通道的脑电数据，各研究者采用的通道也会有所不同。Imtiaz等人输入单通道脑电数据设计了睡眠自动分期的可穿戴设备 ，Wei等人输入脑电数据中的Fpz-Cz通道数据，得到了84.5%的分期准确率 。

神经网络分类器
深度学习技术可以从训练数据中自动提取数据特征用于分类，并能随着数据量的增加提高模型的性能，使其分类结果更加精确、高效，在自动睡眠分期研究方面取得了较好结果。

常用的基于深度学习自动睡眠方法包括3类：

卷积神经网络模型(convolu-tionalneural network, CNN)

多层神经网络模型(recurrent neural network, RNN)

混合神经网络模型(hybrid neural networks)

卷积神经网络
卷积神经网络(convolutional neural network, CNN)是至少具有一个卷积层的前馈神经网络，主要有卷积层、池化层、全连接层组成，被广泛应用于图像处理领域。 卷积神经网络在图像识别、模式识别任务中表现优异 ，是现阶段使用最广的一种神经网络。

一般情况下，CNN应用于二维或三维的矩阵，由于睡眠脑电数据是一维时间序列。Arnaud Sors等人 。相比其他神经网络模型，卷积网络的特征提取能力更强，而且相对易于训练。CNN也是最先应用于脑电信号领域的深度学习模型。

由于脑电信号在采集过程中会使用多个通道，所以很多研究将多通道脑电信号映射为二维(two-dimensional, 2D)或三维(three-dimensional, 3D)图像，以便于采用CNN进行模型构建。

Tsinalis等人构建具有两对卷积层和池化层，两个全连接层的CNN模型，结合Softmax函数，实现了正常睡眠阶段的自动分期。

Zhu等将注意力机制引入了CNN网络中共同执行自动睡眠分期，模型使用Sleep-EDF数据集实现了93.7%的总体准确性。然而，当对扩展的Sleep-EDFx数据库中的EEG信号进行测试时，同样的模型只获得了82.8%的准确性。Zhang等构建具有五层CNN结构的神经网络模型，使用临床收集的数据集，实现了96%的总体准确性。但是，这种准确性是通过使用私人临床数据集实现的，当他们使用Sleep-EDF数据集评估模型的性能时，总体准确率达到了86.4%，这低于Zhu等的模型。为了避免因更有效的捕捉特征而增加网络深度引起的梯度消失问题，Zhu等和Cui等选择使用层数较少的CNN模型，通过使用注意力机制和多尺度熵中的细粒度段来增加模型特征提取能力，从而获得较高的睡眠阶段分类性能。

递归神经网络
在诸多的神经网络之中，大部分网络只有一个前向的传播过程，数据向前流动。然而在睡眠分期的AASM规则中明确提到，各个睡眠时期之间并不是独立的，每一个睡眠时期都与其之前和之后的睡眠阶段相联系，所以一种能捕捉这种前后关联关系的网络被应用于睡眠的自动分期，这就是递归神经网络。递归神经网络捕捉睡眠时期的关联性。Hsu等人 采用了递归神经网络对睡眠进行自动分期。

该网络是一个三层网络结构，分别是输入层、隐含层以及输出层。在Hsu等人的实验中，输入层输入的是提取的睡眠脑电的能量特征，隐含层中由激活函数对输入的特征数据进行计算。最后一层是输出层，输出层输出每一个输入属于某一睡眠时期的概率分布，神经元的个数与睡眠时期数相同，并将输入定义为概率最高的神经元。该网络的分期最终准确率达到87.2%。

多层神经网络
CNN虽然能充分挖掘数据的时频域特征，但无法提取数据间的时序特征，而EEG信号是具有高度随机性的非线性时间序列数据 ，不仅包含时频域特征，还包含时序特征。多层神经网络模型(recurrent neural network, RNN)正是用于处理时间序列数据的网络，其在自然语言处理、机器翻译等领域获得了广泛应用

通常神经网络由一个输入层、一个输出层和一个或多个隐藏层组成，这些隐藏层由神经元组成，这些神经元将前一层产生的输出累加起来，再乘以神经元的加权向量。然后，每个单元或节点产生一个带有非线性传递函数的输出，称为激活函数。

为了能够充分利用脑电信号的时序信息，一些研究采用 RNN来构建自动睡眠分期模型。Hsu等采用Elman网络结构，构建4层RNN网络模型，成功地对睡眠的各个阶段进行了分类，实现了模型最佳性能，总体准确率为87.2%。然而由于传统RNN模型容易产生梯度消失等问题，无法学习长期依赖关系，且训练效率低下，所以研究者们大多使用RNN的变体网络，如长短期记忆(longshort-termmemory, LSTM)网络和双向长短期记忆网络(bi-directional long short-term memory, BiLSTM)等。这些网络不仅能有效挖掘脑电数据中的时序特征，还解决了梯度消失问题。Michielli等人提出了一个具有2个LSTM单元的级联RNN网络，获得了类似的86.7%的精度。 的5%，但其性能与DeepSleepNet相似。

Akara Supratak等人提出一种新的用于睡眠分期的网络：Deepsleepnet 提取不同睡眠时期之间的关联。

由于在训练的过程中，长短时记忆神经网络需要很长时间收敛，于是对网络加入了一个预训练的过程。首先在两个卷积神经网络之后加一个softmax层用于分类，进行预训练。然后将训练好的卷积神经网络加上长短时记忆网络。引入预训练后，网络的训练速度大大提高。

DeepsleepNet网络的分期总体准确率达到82.0%，是一个可以接受的结果，另外，由于该网络的层数较少，对分期的结果有一定的影响，如果增加网络的复杂性，准确率应该也会有所提升。为了充分利用卷积神经网络在特征选择、提取方面的良好性能，循环神经网络处理具有时序信息数据时的独特优势，进一步提高自动睡眠分期模型的性能，很多研究者提出了将两者相结合的深度模型，这也是最近研究的热点工作 。Zhao等 搭建一维CNN-LSTM模型，使用Fpz-Cz通道获得了93.47%的分期准确率。

除去上面的网络之外，杨鑫等人的双向递归神经网络的分期准确率达到了95% ，魏良洁等人分别采用CNN以及CNN-LSTM模型的分期准确率都达到了80% ，

__NOEDITSECTION__
__INDEX__