睡眠是一个复杂的周期性动态过程，每个周期持续约90-100分钟。
AASM提出的睡眠分期的标准，分为五个阶段：清醒期（Wake）、浅睡Ⅰ期（N1）、 浅睡Ⅱ期（N2）、深睡期（N3）、快速眼动期（REM），其中N1、N2、N3合称为NREM期。
睡眠不同时期大脑独特的脑电波活动，为睡眠分期提供了物理依据。人们依据睡眠时期的脑电波信号，可以判断出处于哪种睡眠状态。
根据脑电波频率划分，常见的脑电波有δ波(0.5-4 Hz) 、θ波(4-8 Hz) 、α波(8-12 Hz) 、β波(12-30 Hz) 、K-复合波（0.5-1.5 Hz)，纺锤波（11-16 Hz）。
睡眠监测是分析睡眠质量的重要手段，而睡眠监测离不开睡眠分期研究。
夜间多导睡眠图（PSG）是测量睡眠多个生理参数的金标准，用于对睡眠阶段进行评分。
PSG通常包括脑电图（EEG）、 心电图（ECG）、 眼电图 （EOG）、肌电图（EMG）和其他生物医学记录。
肌电信号波形示意图
传统的睡眠分期是由医生根据睡眠分期判定准则，对PSG的生理数据进行判别。
这一过程会存在主观性，判读结果相对缺少客观性。
因此，自动睡眠分期算法的研究具有极高的研究价值和临床应用价值。
自动睡眠分期的实现主要有两种方法。
一是需要人工设计特征的传统分类方法，利用支持向量机和决策树，将频域特征、时域特征等常用特征进行分类。
二是自动提取特征的分类方法，这种方法主要是使用深度学习和神经网络。
传统机器学习框架
深度学习框架
目前睡眠分期的研究和应用存在一些困难和挑战。
1.有些睡眠阶段缺乏特征波形。比如，N1 期的睡眠时长仅占总睡眠时长的小部分，且N1 期的波形较为复杂，因此N1 期常常容易与REM期混淆。
2.不同睡眠时期过渡阶段波形不易区分。
3.人体存在特异性，不同的人睡眠阶段的持续时间不同。
4.数据采集设备收集的信号不够准确，会存在背景噪音。比如眼动噪声、肌肉噪声、系统噪声、环境噪声等。
另外，在睡眠监测的实际应用中（日常应用场景），采集脑电信号不是一件容易的事情。
而由于其他生理数据在睡眠时的特征并不明显，使用PSG 中的其他生理数据代替脑电进行睡眠分期时，精准性表现方面还存在较大的挑战。
2024年4月4日，新加坡国立大学Michael Chee教授团队主导完成的5款智能穿戴设备监测睡眠的研究结果在Sleep Health发表，其中包含国产的小米7手环。
研究人员选取了5款智能手环（含一款指环），分别是Oura Ring Gen3 (Oura Health Oy, Oulu, Finland)、Fitbit Sense (Fitbit Inc, San Francisco, CA)、ActiGraph GT9X (ActiGraph Inc, Pensacola, FL)、 Xiaomi Mi Band 7 (Xiaomi Inc, Beijing, China) 、AXTRO Fit 3 Fitness Tracker (AXTRO Pte. Ltd, Singapore).
研究表明，目前的可穿戴设备在睡眠监测方面的结果不尽如人意。
文章指出，如果本身有睡眠问题（比如夜间醒来），那么在监测这类人的睡眠时，面临的挑战将会更大。
此时更高质量、更高精度的睡眠监测设备，更有可能获得可靠的数据，睡眠监测才更有意义。
引用文献 [1]Adrian R. Willoughby, Hosein Aghayan Golkashani, Shohreh Ghorbani, Kian F. Wong, Nicholas I.Y.N. Chee, Ju Lynn Ong, Michael W.L. Chee,Performance of wearable sleep trackers during nocturnal sleep and periods of simulated real-world smartphone use,Sleep Health,2024,,ISSN 2352-7218,https://doi.org/10.1016/j.sleh.2024.02.007. [2]陈庆端.一种CLIP自监督学习的多模态睡眠分期方法[J].自动化与信息工程,2024,45(04):24-29+35. [3]金博,章嘉湾.基于离散小波和残差收缩网络的睡眠分期方法[J/OL].数据分析与知识发现,1-14[2024-09-19].http://kns.cnki.net/kcms/detail/10.1478.g2.20240516.2046.002.html. [4]张沁晗.睡眠数据集RichSleep及基于单通道脑电信号的睡眠分期研究[D].重庆理工大学,2024.DOI:10.27753/d.cnki.gcqgx.2024.001293. [5]陈晨.基于时序信息的自动睡眠分期方法研究[D].西安邮电大学,2024.DOI:10.27712/d.cnki.gxayd.2024.000090. [6]郭圣威.可解释性睡眠分期系统设计与实现[D].黑龙江大学,2024.DOI:10.27123/d.cnki.ghlju.2024.000484. [7]秦美翘.基于注意力机制及特征融合的自动睡眠分期研究[D].重庆理工大学,2024.DOI:10.27753/d.cnki.gcqgx.2024.000292. [8]杨政达.面向睡眠分期任务的先验知识迁移学习技术研究[D].北方工业大学,2024.DOI:10.26926/d.cnki.gbfgu.2024.000628. [9]陈玉,杨涛,徐铮.基于RBF神经网络的睡眠分期方法研究与应用[J].包装工程,2024,45(04):371-379.DOI:10.19554/j.cnki.1001-3563.2024.04.041. [10]石胜源,何康,罗铁清.基于PPG睡眠分期的信号噪声处理方法研究[J].软件导刊,2024,23(04):67-73. [11]缪竟鸿,韩旭,Tasmia Avouka,等.基于单通道心电信号的家用睡眠分期方法[J].天津工业大学学报,2023,42(04):83-88. [12]刘颖,储浩然,章浩伟.基于深度学习的自动睡眠分期研究综述[J].数据采集与处理,2023,38(04):759-776.DOI:10.16337/j.1004-9037.2023.04.002. [13]王琪.基于混合神经网络的自动睡眠分期算法研究[D].南京信息工程大学,2023.DOI:10.27248/d.cnki.gnjqc.2023.000746. [14]姚璐媛.基于深度学习的脑电信号睡眠分期方法研究[D].兰州理工大学,2023.DOI:10.27206/d.cnki.ggsgu.2023.001614. [15]时旺军.小样本跨域场景下的睡眠分期深度模型研究及其应用[D].北京交通大学,2023.DOI:10.26944/d.cnki.gbfju.2023.003007. [16]谭雨晴.基于数据挖掘的用户行为分析及睡眠分期研究[D].大连海事大学,2023.DOI:10.26989/d.cnki.gdlhu.2023.000566. [17]罗嗣鑫.基于多尺度显著特征的PSG自动睡眠分期研究[D].重庆理工大学,2023.DOI:10.27753/d.cnki.gcqgx.2023.000124. [18]罗宇杰.基于注意力机制和心肺信号的智能睡眠分期研究[D].华南理工大学,2023.DOI:10.27151/d.cnki.ghnlu.2023.004726. [19]李文.基于心电和呼吸信号的睡眠监测系统研究与实现[D].电子科技大学,2023.DOI:10.27005/d.cnki.gdzku.2023.000621. [20]赵婉娣.基于多尺度和注意力的多模态信号睡眠分期研究[D].哈尔滨理工大学,2023.DOI:10.27063/d.cnki.ghlgu.2023.000090. |
