AnySleep：面向多中心队列中基于深度学习的通道无关高分辨率睡眠分期系统
机器学习
2025-12-17 v1 信号处理
定量方法
摘要
睡眠是维持我们一生健康的关键要素，但要研究其动态过程，却需要进行手动睡眠分期，这在睡眠研究和临床护理中是一个代价高昂的步骤。在不同中心，多导睡眠图（PSG）记录传统上以30秒的时段进行评分，是出于实用主义原因，而非生理学原因，并且可能在电极数量、montage以及患者特征方面存在巨大差异。这些限制给开展协调化的多中心睡眠研究和发现新型稳健生物标志物的短时间尺度上的挑战。本文提出了AnySleep，一种深度神经网络模型，可使用任何脑电图（EEG）或脑电图（EOG）数据对可调节的时间分辨率进行睡眠评分。我们在来自21个数据集、跨越多个诊所的超过19,000个夜间记录上进行了训练和验证，涵盖近200,000小时的EEG和EOG数据，以促进跨站点的稳健泛化。该模型实现了最先进的性能，在30秒时段上表现优于或相当于已建立的基准。随着提供更多通道，性能会提升，但即使在EOG不存在或仅提供EOG或单一EEG导联（前额、中心或后颓）时，性能仍然稳健。在亚30秒的时间尺度上，该模型捕捉到与嗜睡症相符的短暂觉醒事件，并相对于标准30秒评分提高了对生理特征（年龄、性别）和病理条件（睡眠呼吸暂停）的预测。我们将该模型公开，以便在异构电极设置中进行大规模研究，并加速发现新型生物标志物的进程。
引用
@article{arxiv.2512.14461,
title = {AnySleep: a channel-agnostic deep learning system for high-resolution sleep staging in multi-center cohorts},
author = {Niklas Grieger and Jannik Raskob and Siamak Mehrkanoon and Stephan Bialonski},
journal= {arXiv preprint arXiv:2512.14461},
year = {2025}
}
备注
18 pages, 6 figures, 2 tables