数据集构建与划分
建立覆盖多中心、多记录设置和不同人群的训练与独立测试数据基础。
收集28个数据集的20,589份整夜PSG记录(约200,000小时EEG/EOG),分为13个分布内数据集和15个留出数据集;分布内数据按受试者划分为训练、验证和测试集,留出集仅用于测试。
AnySleep: a channel-agnostic deep learning system for high-resolution sleep staging in multi-center cohorts
基于28个数据集2万余夜多中心EEG/EOG训练验证,含通道配置、高频分期、觉醒检测和疾病分类等多层验证
28个数据集的20,589份整夜PSG记录 AnySleep U-Net风格通道注意力深度神经网络 U-Sleep基线模型 随机森林分类器
28个数据集分为13个分布内数据集和15个留出数据集,留出集仅用于测试 记录级宏F1评分用于评估30秒睡眠分期性能 不同单通道和双通道置换评估通道类型、空间位置和输入顺序的影响 高频预测以1至3840个预测/epoch共14种时间分辨率评估 觉醒检测采用IoU精确率、召回率和F1,匹配阈值20%重叠 疾病分类采用留一受试者交叉验证的随机森林,每任务50个模型
提炼研究问题、关键发现与证据,快速把握文章的核心贡献。
按研究推进顺序梳理实验设计、验证步骤与关键观察。
建立覆盖多中心、多记录设置和不同人群的训练与独立测试数据基础。
收集28个数据集的20,589份整夜PSG记录(约200,000小时EEG/EOG),分为13个分布内数据集和15个留出数据集;分布内数据按受试者划分为训练、验证和测试集,留出集仅用于测试。
构建可处理任意EEG/EOG通道组合并输出可调时间分辨率睡眠阶段的深度神经网络。
采用U-Net风格编码器-解码器骨干,包含12个编码块、连接器和12个解码块,并在编码与解码块之间插入13个通道注意力模块;末端卷积分段分类器含可配置时间平均池化层;训练时随机改变输入通道数量和类型。
验证模型在不同通道类型、空间位置、输入顺序和通道数量下的30秒分期性能,并与U-Sleep比较。
在包含EOG、F3、F4、C3、C4、O1、O2通道的测试记录上,评估所有单通道和双通道置换的宏F1;并在随机通道子集(1至7通道)上评估性能随通道数量的变化。
检验高频睡眠阶段预测是否编码短时生理事件,尤其是觉醒。
在留出的MASS C1和C3数据集上,比较专家标注觉醒与不同时间分辨率下预测的Wake阶段的重叠比例;并基于3–15秒连续Wake段推导候选觉醒,计算与专家觉醒的IoU精确率、召回率和F1。
检验高频睡眠阶段预测是否携带可用于区分健康对照与睡眠疾病患者的信息。
在不同时间分辨率下预测睡眠阶段,计算1.5小时区块内睡眠阶段三元组(si, si+1, si+2,si≠si+1且si+1≠si+2)的绝对数量作为特征,训练随机森林分类器区分健康对照与OSA、NT1或失眠患者。
刻画模型如何分配不同通道的注意力权重以整合多通道信息。
在包含左侧EOG及F3、C3、O1通道的614份参考导联测试记录上,提取13个通道注意力模块对每个通道的注意力权重,并在记录间平均。
评估通道注意力模块放置位置对模型性能的影响。
构建早期融合和晚期融合两个变体,分别将中间通道注意力模块替换为位于网络起始或末端的单一模块,并与基线AnySleep和U-Sleep在分布内及留出测试集上比较宏F1。
按研究目的归类文中使用的方法,便于定位所需技术。
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 模型训练 | NVIDIA DGX A100 工作站 | NVIDIA | A100 |
| NVIDIA A100 GPU | NVIDIA | A100 | |
| 数据分析与统计 | PyTorch | -- | 2.5.1 |
| 随机森林分类器 | scikit-learn | -- |
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 数据集构建与划分 | 28个数据集中13个分布内、15个留出;每数据集按受试者10%(最多50)验证、15%(最多100)测试,其余训练;排除32份问题记录 阅读提示:Methods 的 Data 小节及 Table 2 |
| AnySleep模型训练 | 训练样本35个连续30秒epoch;批大小64(晚融合32);AMSGrad学习率10^-5;最大10,000 epoch;早停验证宏F1 100 epoch未改善;最大通道数10;α=0.5 阅读提示:Methods 的 Training 小节 |
| 通道鲁棒性评估 | 双通道置换使用563份记录;通道数量评估使用643份记录;每条件5000次有放回采样;三次独立训练运行;p<0.01单侧t检验 阅读提示:Results 的 Robustness to channel configurations 小节及 Fig. 1 图注 |
| 高分辨率睡眠阶段与觉醒分析 | 14种时间分辨率(每epoch 1–3840预测);候选觉醒3–15秒;合并阈值10%;前10秒排除规则;IoU匹配20%重叠;MASS C1和C3数据集 阅读提示:Methods 的 High-frequency sleep stages 和 Arousal prediction 小节及 Fig. 2 图注 |
| 疾病分类分析 | OSA 25对照/55患者;NT1 395对照/260患者;失眠16对照/9患者;留一受试者交叉验证;每任务每时间尺度50个随机森林;超参数范围;1.5小时区块三元组特征 阅读提示:Methods 的 Analysis of subject characteristics 小节及 Fig. 3 图注 |
| 通道注意力分析 | 614份含左侧EOG、F3、C3、O1的参考导联记录;13个注意力模块;三次训练运行 阅读提示:Results 的 Channel-attention patterns 小节及 Fig. 4 图注 |
| 通道注意力位置消融 | 早期融合、晚期融合与基线AnySleep及U-Sleep比较;每种架构三次随机种子训练;按记录数加权宏F1 阅读提示:Results 的 Impact of channel-attention placement 小节及 Table 1 |