AnySleep:一种用于多中心队列高分辨率睡眠分期的通道无关深度学习系统

AnySleep: a channel-agnostic deep learning system for high-resolution sleep staging in multi-center cohorts

作者信息Niklas Grieger, Jannik Raskob, Siamak Mehrkanoon, Stephan Bialonski
PMID42963354
发布时间2026-10-30
DOI10.1038/s41746-026-03406-7

实验完整度

高

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

主要模型

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

重点核对

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

摘要

睡眠对健康至关重要,但研究其动力学需要人工睡眠分期,这是研究和临床护理中一项劳动密集型步骤。在各中心,多导睡眠图(PSG)记录传统上以30秒 epoch 进行判读,这是出于实用性而非生理学原因,并且电极数量、导联组合和受试者特征各不相同。这些限制挑战了统一的多中心研究以及在更短时间尺度上发现稳健生物标志物。我们提出 AnySleep,一种深度神经网络,可以从任何脑电图(EEG)或眼电图(EOG)数据以可调时间分辨率对睡眠进行判读。我们在来自多个诊所的28个数据集、超过20,000份整夜记录(>200,000小时 EEG 和 EOG)上训练和验证了该模型,以促进跨站点的稳健泛化。该模型达到最先进性能,并在30秒 epoch 上超过或等同于既有基线。性能随通道增多而提高,但在缺少 EOG,或仅提供 EOG 或单导 EEG(额区、中央区或枕区)时仍保持良好。在低于30秒的时间尺度上,该模型捕捉与觉醒一致的短暂清醒侵入,并较30秒判读改善对病理生理状况(阻塞性睡眠呼吸暂停、1型发作性睡病、失眠)的预测。我们公开该模型,以促进采用异质电极设置的大规模研究,并加速睡眠生物标志物发现。

实验结论

提炼研究问题、关键发现与证据,快速把握文章的核心贡献。

研究问题
能否构建一种通道无关的深度学习系统,在异质电极配置和多中心队列中实现稳健且可调时间分辨率的睡眠分期,并捕捉30秒 epoch 之外的短时睡眠动态?
核心机制
AnySleep 通过 U-Net 风格编码器-解码器结合通道注意力模块,动态融合任意数量和类型的 EEG/EOG 通道;解码器末端的可配置平均池化层使模型能够输出高达128 Hz的高频睡眠阶段预测。
主要证据
在28个数据集20,589份整夜记录上训练和验证,留出集上加权平均宏F1为0.777,优于U-Sleep的0.768;通道置换中双通道宏F1为0.726–0.760,单通道最低0.710;高频预测在约2秒时间尺度上覆盖57.7%专家标注觉醒时间,觉醒检测IoU F1最高0.442;基于高频阶段三元组特征的随机森林对OSA、NT1和失眠分类宏F1分别达0.91、0.86和0.82。
研究意义
AnySleep 可处理异质且稀疏的电极配置,有助于跨研究和中心的大规模统一睡眠分期,并可能加速睡眠及神经系统疾病新型生物标志物的发现与验证。

研究路径

按研究推进顺序梳理实验设计、验证步骤与关键观察。

1

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。

2

AnySleep模型构建与训练

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。

3

30秒睡眠分期性能与通道鲁棒性评估

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。

4

高分辨率睡眠阶段与觉醒表征评估

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。

5

基于高频阶段三元组特征的疾病分类

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。

6

通道注意力模式分析

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。

7

通道注意力位置消融

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。

研究方法

按研究目的归类文中使用的方法,便于定位所需技术。

产品清单

实验环节名称品牌货号
NVIDIA DGX A100 工作站NVIDIAA100
NVIDIA A100 GPUNVIDIAA100
PyTorch--2.5.1
随机森林分类器scikit-learn--

关键环节

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