复旦大学睡眠障碍诊治中心执行主任于欢教授联合复旦大学人类表型组研究院陈晨副研究员、悉尼大学生物医学工程学院院长陈炜教授，在生物医学工程领域国际权威期刊《IEEE Journal of Biomedical and Health Informatics》上发表了题为 “Towards Real-time Sleep Stage Prediction and Online Calibration Based on Architecturally Switchable Deep Learning Models” 的研究论文（DOI: 10.1109/JBHI. 2023.3327470）。
01 文章概览
睡眠分期是评估睡眠质量和诊断睡眠障碍的重要步骤。现有的自动睡眠分期方法通常依赖于长时间窗口（如1帧或者多帧）的多导睡眠监测（PSG）信号来进行分析，尽管可以实现高精度分类，但需要大量计算资源且无法满足实时性需求。而在实际应用中，如可穿戴设备和床旁监测系统，实时性成为关键要求。然而，由于短时段信号数据缺乏足够的上下文信息，实时分析的稳定性和准确性往往较低。此外，不同个体之间的信号特征存在显著差异，现有模型缺乏动态适应能力，无法有效处理个体间特征差异带来的结果不一致问题。因此，如何在短时段数据上实现高效、稳定的实时睡眠分期，同时兼顾离线模式下的高精度分析，成为一个亟待解决的挑战。基于此，本研究提出了一种可架构切换的深度学习模型，通过离线与在线模式的灵活切换，以及上下文校准机制的引入，解决了实时预测中的短时段不稳定性和个体差异适应性问题，为离线与在线睡眠分期的结合提供了一种全新的解决方案。
02 选题背景
睡眠分期是评估睡眠质量和诊断睡眠障碍的重要步骤。现有的自动睡眠分期方法通常依赖于长时间窗口（如1帧或者多帧）的多导睡眠监测（PSG）信号来进行分析，尽管可以实现高精度分类，但需要大量计算资源且无法满足实时性需求。而在实际应用中，如可穿戴设备和床旁监测系统，实时性成为关键要求。然而，由于短时段信号数据缺乏足够的上下文信息，实时分析的稳定性和准确性往往较低。此外，不同个体之间的信号特征存在显著差异，现有模型缺乏动态适应能力，无法有效处理个体间特征差异带来的结果不一致问题。因此，如何在短时段数据上实现高效、稳定的实时睡眠分期，同时兼顾离线模式下的高精度分析，成为一个亟待解决的挑战。
03 创新点
SwSleepNet模型的主要创新在于其独特的架构切换和校准机制，可以分别适配离线高精度分析与在线实时分期场景。在离线模式下，SwSleepNet 使用完整架构，包括序列扩展模块（Sequence Broadening Module, SBM）、序列卷积神经网络（Sequence Convolutional Neural Network, SCNN）和压缩与激励模块（Squeeze-and-Excitation Module,SE），以充分挖掘信号的时间和空间特征；而在在线模式下，SwSleepNet通过简化架构仅保留SCNN和SE，结合上下文校准机制动态调整短时段预测结果的稳定性。此外，该模型采用模块化设计，其中每个模块针对不同场景的需求进行了优化，从特征提取到上下文分析均体现了高度的鲁棒性和效率。与传统模型相比，SwSleepNet不仅能够适应离线和在线预测的多种复杂场景，还能通过信号特征的融合提升预测性能，是当前领域内的一项重要技术突破。
04 算法设计
SwSleepNet模型通过模块化设计实现了高效的离线特征提取和在线实时分期预测，其架构由序列扩展模块、序列卷积神经网络、压缩与激励模块、上下文校准机制（Contextual Calibration Mechanism）和序列整合模块（Sequence Consolidation Module, SCM）组成，如图1所示。SBM用于在离线模式下扩展信号的时间维度，以捕捉长时段的上下文信息，从而增强特征表达能力；SCNN则是核心特征提取器，通过卷积操作捕捉信号的空间和时间特征，并适用于离线和在线模式。SE模块通过动态调整信号特征的权重，抑制噪声干扰，强化有效信号特征，显著提升模型鲁棒性。在在线模式中，SwSleepNet使用上下文校准机制，当短时段内的预测结果不一致时，自动引入前后时段的上下文信息重新评估预测，显著提升了短时段预测的准确性和稳定性。最终，SCM模块将多时段特征整合，生成睡眠阶段的预测结果，用于离线模式下的高精度分期。通过这些模块的协作，SwSleepNet在离线与在线场景中均实现了性能与效率的平衡。
图1 SwSleepNet的整体架构与流程图
05 实验结果
本研究在三个数据集（Sleep-EDF、MASS 和 HSFU）上对 SwSleepNet的离线与在线模式进行了系统验证，结果表明其在不同场景下均展现了卓越性能（如表1所示）。
表1 SwSleepNet 和基线方法在三个不同序列长度数据集上进行睡眠分期的性能比较，包括准确率（ACC），卡帕系数（Kappa），F1分数，敏感性，特异性，训练时间和测试时间
在离线模式下，SwSleepNet的分期准确率分别为84.5%、86.7%和81.8%，显著优于当前主流模型。在在线模式中，通过引入上下文校准机制，该模型在短时间窗口预测中的准确率超过80%，相较未校准模型提升5%-7%，并显著降低了预测方差，显示出强大的实时性和稳定性。此外，图2展示了SwSleepNet在SC、MASS和HSFU三个数据集上不同信号片段长度（如30s、5s、3s、2s）及校准后片段（C-5s、C-3s、C-2s）的归一化性能对比结果。
图2 SwSleepNet在SC、MASS和 HSFU数据集上，不同信号片段长度的睡眠分期结果的归一化对比，包括未校准的结果和校准后的结果（例如5s和C-5s，C-5s表示校准后5秒时的性能）。各指标性能最高的方法结果记为1。(a) SC数据集。(b) MASS数据集，(c) HSFU数据集
结果表明，30秒片段在准确率（Acc.）、特异度（Spec.）、敏感度（Sens.）和Kappa系数等指标上表现最佳，而校准后的短时片段（例如C-5s和C-3s）在各项指标上均显著优于未校准结果，接近长时间片段性能，尤其在SC和MASS数据集中校准效果更为明显。相比之下，HSFU数据集的整体性能较低，但校准后的短时片段仍能在性能上获得提升，表明校准机制对于短时间窗口预测的有效性和适用性。多模态实验进一步证明了SwSleepNet对信号融合的高适应性，其中单模态 EEG 和 EOG 信号的准确率分别达到79.7%-82.1%和76.0%-78.8%，而多模态融合后的准确率进一步提升至82.1%-83.7%。研究还通过t-SNE方法对信号特征进行了可视化分析，发现EEG 和EOG特征在二维潜在空间中呈现出高度相似的分布，验证了SwSleepNet在模态统一性上的优越性，同时解释了融合信号后性能提升的原因。消融实验进一步显示，SBM、SE和校准机制均在模型性能中发挥了至关重要的作用，尤其在离线特征提取和在线实时预测中的贡献不可或缺。
研究意义及展望
SwSleepNet的提出为睡眠医学领域提供了一种全新的技术框架，在离线模式下实现了高精度睡眠分期，在在线模式下兼顾了实时性和稳定性，为解决传统模型在实际应用中面临的信号缺失与实时性不足问题提供了新思路。该研究的意义在于通过模块化设计将离线与在线需求有机结合，不仅提升了睡眠分期的整体性能，也为多模态医疗数据分析领域的其他应用场景提供了借鉴思路。此外，SwSleepNet在t-SNE分析中验证了其对异构信号特征融合的有效性，表明其能够通过多模态信号挖掘潜在信息，为复杂医学信号分析提供强有力的支持。未来研究可以尝试将 SwSleepNet 进一步优化为轻量化模型，以满足移动设备应用需求，并探索其在其他领域如心电图异常检测中的潜在价值。
原文链接：https://pubmed.ncbi.nlm.nih.gov/37878423/
作者简介及项目支持
第一作者为复旦大学信息科学与工程学院博士生朱航宇。通讯作者包括于欢教授（复旦大学睡眠障碍诊治中心执行主任）、陈晨副研究员（复旦大学人类表型组研究院）和陈炜教授（悉尼大学生物医学工程学院院长）。该研究得到了国家自然科学基金[62001118] 和国家重点研发计划[2021YFF1200600] 的资助。
朱航宇，复旦大学信息科学与工程学院博士生
于欢，复旦大学睡眠障碍诊治中心执行主任
陈炜，悉尼大学生物医学工程学院院长，IEEE TBME副编辑，IEEE-JBHI、IEEE-TNSRE、IEEE-JTEHM副主编
陈晨，复旦大学人类表型组研究院副研究员
