基于 Transformer 的睡眠阶段分类：增强临床信息
机器学习
2025-11-13 v1 人工智能
摘要
手动从多导睡眠图 (PSG) 进行睡眠分期耗时且容易受到评分者间变异性的影响。虽然最近的深度学习模型在自动化分期方面取得了进展，但大多数仅依赖原始 PSG 信号，忽略了人类专家所使用的情境线索。我们提出了两阶段体系结构，将基于 Transformer 的 per-epoch 编码器与 1D CNN 聚合器结合，系统性地研究了纳入显式情境的效果：subject-level 临床元数据 (年龄、性别、BMI) 和 per-epoch 专家事件注释 (呼吸暂停、血氧饱和度下降、颤动、周期性呼吸)。使用来自 Sleep Heart Health Study (SHHS) 队列 (n=8,357) 的数据，我们表明情境融合显著提高了分期准确性。与仅使用 PSG 的基线模型 (macro-F1 0.7745, micro-F1 0.8774) 相比，我们的最终模型实现了 macro-F1 0.8031 和 micro-F1 0.9051，其中事件注释贡献了最大的提升。值得注意的是，特征融合优于预测相同辅助标签的多任务方法。这些结果表明，通过增强具临床意义的特征来增强所学表示既能提高性能和可解释性，又无需修改 PSG 配置或需要额外传感器。我们的发现支持通用且可扩展的面向临床情境的睡眠分期系统的路径。
关键词
引用
@article{arxiv.2511.08864,
title = {Transformer-Based Sleep Stage Classification Enhanced by Clinical Information},
author = {Woosuk Chung and Seokwoo Hong and Wonhyeok Lee and Sangyoon Bae},
journal= {arXiv preprint arXiv:2511.08864},
year = {2025}
}