轻量级SleepEffFormer模型实现高效单通道EEG睡眠分期
arXiv近日发布SleepEffFormer TAS论文，该系统针对单通道EEG睡眠分期任务，结合一维CNN特征提取器、两层Transformer编码器与非参数化的Transition-Aware Smoothing层，在Sleep-EDF Expanded数据集78条整夜记录上取得83.9%准确率与78.9%宏F1值，参数量仅约36.7万，相比AttnSleep减少3至5倍。
传统的多导睡眠监测需要在实验室佩戴多路电极与传感器，长期大规模部署存在不便。基于单通道脑电的睡眠分期因穿戴负担更低，被视为走向家庭与大规模睡眠监测的重要路径。SleepEffFormer TAS是这一方向上的最新尝试，相关论文已发布在arXiv信号处理板块。
该系统由三个核心模块构成：包含四个步长块的一维CNN特征提取器负责从原始脑电中提取局部时频特征；两层Pre-Norm结构的Transformer编码器用于建模跨时段的上下文依赖；此外还引入了非参数化的Transition-Aware Smoothing（TAS）层，依据睡眠阶段之间生理上不太可能发生的转移模式对预测结果进行后处理约束，从而抑制不合理的分期跳跃。
论文在Sleep-EDF Expanded的78条整夜记录上采用按被试划分的留出测试，Fpz-Cz单通道条件下取得了83.9%准确率、78.9%宏F1与0.765的Cohen's kappa，整体表现与AttnSleep相当，但参数量仅约36.7万，减少了3到5倍。消融实验显示，Transformer编码器相对纯CNN结构在宏F1上带来6.6个百分点的提升，TAS层在不引入任何可训练参数的前提下额外贡献了1.8个百分点，加权损失则对少数类N1期识别尤为关键。模型输出的注意力图也呈现出与睡眠分期对应的生理可读特征。
【空音视角】 从非接触式睡眠监测视角看，SleepEffFormer的进展有两点值得关注：一是模型仅约36.7万参数即可取得接近主流方法的精度，印证了轻量化算法在边缘与嵌入式部署上的可行性，这与空音关注的低算力WiFi感知路线方向一致；二是TAS层用生理先验约束算法输出的思路，对于同样依赖时序建模的非接触生命体征监测具有借鉴意义。需要指出的是，单通道EEG仍是临床参考标准之一，其在真实家庭环境下的鲁棒性与无感监测方案仍待进一步验证，但这类算法创新正持续降低睡眠分期走向大规模日常使用的门槛。
—— 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/2609.22148
来源：arXiv 信号处理（查看原文）