arXiv新研究量化通道缩减对睡眠分期基础模型的影响

多导睡眠监测（PSG）作为睡眠分期的临床金标准，存在设备昂贵、操作复杂、需要人工评分的固有局限，难以满足长期居家监测的需求。arXiv最新发表的一项研究据此提出一个核心问题：在自动睡眠分期中，完整PSG导联究竟有多大必要性？研究团队使用Multi-Ethnic Study of Atherosclerosis（MESA）公开数据集，对六种代表性方法进行了系统评估。

研究将信号条件划分为三类：仅使用脑电（EEG）、仅使用心电（ECG）以及两者组合。这一设计源于边云协同部署的现实考量——EEG需要临床级头皮电极，而ECG已可由消费级可穿戴设备采集。涉及模型涵盖EEG预训练的BIOT、LaBraM与SleepFM，通用时间序列基础模型MOMENT，从头训练的Vision Transformer简化实现SensorLM，以及经典非学习方法YASA，所有模型均保持原始架构以保证比较公平。

结果显示，在EEG单独分期任务中，BIOT以宏F1 0.7237领先，LaBraM与从头训练的SleepFM分别取得0.6835与0.6582；在支持ECG单独分期的五个模型中，从EEG切换到ECG会带来0.2798至0.4151的宏F1下降，平均约0.3531，但原始通道数据量可降至约三分之一。将ECG叠加到EEG上对多数模型并无明显提升。研究指出，EEG承载了睡眠分期任务中的绝大部分信号，消费级可穿戴设备所采用的ECG替代方案存在稳定且可量化的精度代价，同时验证了睡眠相关预训练策略能够较好地迁移到MESA数据上。

【空音视角】 从非接触监测从业者视角看，该研究再次印证了信号采集方式决定分析上限的工程现实。EEG之所以难以被ECG替代，根源在于其直接反映神经电活动；而无论ECG还是简化通道，都无法完整捕捉睡眠结构所需的全部信息。WiFi感知等非接触路径的优势恰好在于无需任何电极、可在自然居家环境中长期采集呼吸与体动等与睡眠分期高度相关的物理特征，有望在临床PSG与消费级可穿戴之间形成补充。这一方向与空音持续探索的非接触睡眠与生命体征评估路径高度一致。

—— 本文基于公开报道由空音编辑部 AI 辅助改写 来源：arXiv 信号处理 原文链接：https://arxiv.org/abs/2609.22105