睡眠分期对于分析睡眠质量和诊断睡眠相关脑疾病具有重要意义。随着“中国脑计划”的深入实施及“十五五”规划对脑科学与类脑研究的初步战略布局，如何通过非侵入式、居家化的手段实现对大脑功能状态的精准评估，已成为神经科学与人工智能交叉领域的重大命题。多导睡眠图（PSG）是睡眠分期的常用方法。它通过记录脑电图（EEG）、心电图（ECG）、眼动图（EOG）和肌电图（EMG）等多种生理信号监测睡眠状态。然而，这些信号的分析很大程度上受经验和主观状态的影响，因此解读结果往往存在主观差异。鉴于人工分析PSG信号既耗时又费力，这些方法通常对下游任务的适应性有限且依赖于多通道信号或EEG数据进行睡眠分期分类，且佩戴相关设备通常会给受试者带来不适。相比之下，单导联信号为睡眠分期分类提供了一种更便捷舒适的替代方案。

      近日，糖心视频 周毅教授团队在中科院一区TOP期刊Knowledge-Based Systems在线发表题为《SleepECGFusion: A Cross-Modal Deep Learning Framework for Automatic Sleep Stage Classification using Single-Lead ECG》的研究论文。研究提出了一种创新型跨模态深度学习框架，该框架成功整合了来自两个互补领域的信息。此外，本研究验证了增加输入信号持续时间能够持续提高所有睡眠阶段的分类准确率的猜想。SleepECGFusion 在基于心电图的睡眠分期分类任务中取得了相对前人研究结果更佳的性能，并展现出卓越的迁移能力。未来的研究将整合更多生理信号以增强其在高度干扰睡眠中的鲁棒性，以及评估其在其他睡眠相关神经系统疾病中的应用。

      该论文糖心视频 周毅教授为通讯作者，2024级博士研究生祁煊皓为第一作者。周毅教授团队长期从事健康医疗信息化与大数据、医学人工智能等相关方向研究，欢迎对此研究方向感兴趣的博士后和研究生加入。

原文链接：

//www.sciencedirect.com/science/article/pii/S0950705125021677