导语
根据脑电图记录对睡眠阶段进行评分是睡眠医学中最耗费人力的任务之一。单次夜间多导睡眠图可产生数千个30秒的时段，每个时段都需要训练有素的睡眠技师进行分类。自动睡眠分期已取得稳步进展，但许多深度学习解决方案计算成本高昂，且作为黑箱运作，让临床医生几乎无法了解为何分配了特定阶段。IEEE Journal of Biomedical and Health Informatics 上发表的一篇新论文介绍了 SomnoNet，这是一个旨在同时解决准确性、效率和可解释性这三项约束的框架。
功能
SomnoNet 是一个用于从单通道脑电图进行自动睡眠分期的分级原始脑电图框架。与依赖人工设计特征或频谱图输入的模型不同，SomnoNet 直接处理原始时间序列脑电图数据。其架构围绕两级层次结构构建：从短脑电图片段学习表示的特征提取骨干，以及捕获各时段间时间上下文的序列建模阶段。这种设计使模型能够同时利用精细波形模式和定义睡眠结构的更长范围结构。
该框架有两种变体。完整的 SomnoNet 模型追求最高准确性。SomnoNet-Nano 是一种紧凑型变体，专为边缘部署和消费硬件上的实时推理而设计。
性能表现
研究人员在两个大型公开数据集上评估了 SomnoNet：Physio2018（包括健康受试者和患有周期性肢体运动障碍、失眠症和快速眼动睡眠行为障碍等睡眠障碍的患者）和 SHHS（睡眠心脏健康研究，一个大型社区队列）。
在 Physio2018 上，SomnoNet 实现了 80.9% 的准确率、79.0% 的宏 F1 分数和 0.739 的 Cohen’s kappa。在 SHHS 上，性能达到 88.0% 的准确率、80.7% 的宏 F1 和 0.831 的 kappa。这些结果与通常需要多个脑电图通道或明显更大模型架构的最先进方法具有竞争力。
Nano 变体
SomnoNet-Nano 对于临床部署而言尤其引人关注。它仅使用约 49,000 个参数，按现代深度学习标准而言极为紧凑。尽管占用空间极小，Nano 在 Physio2018 上保留了完整模型 99.5% 的准确率，在 SHHS 上保留了 99.3%。
效率提升非常显著。在 Intel i7-12700F CPU（无需 GPU）上运行 FP32 推理时，SomnoNet-Nano 处理单个 30 秒时段仅需 29.49 毫秒。这意味着它可以在标准桌面处理器上在 30 秒内完成整个 8 小时睡眠研究的分期。低参数数量和 CPU 原生推理使其适用于集成到可穿戴设备、家庭睡眠检测平台以及无法使用 GPU 硬件的资源受限临床环境。
可解释性
也许最具临床意义的贡献是 SomnoNet 内置的可解释性机制，作者称之为节律感知决策分析。该技术生成可视化图，将模型的预测映射回特定的脑电图片段和波形。SomnoNet 不仅可以输出阶段标签，还能显示信号的哪些部分驱动了决策，以及这些片段是否对应于临床上有意义的模式，如睡眠纺锤波、K 复合波或慢波。
这对临床采纳至关重要。睡眠技师和医生需要信任自动分期建议，而这种信任取决于检查证据的能力。一个将富含纺锤波的片段突出显示为 N2 分期证据，或将慢波爆发突出显示为 N3 证据的模型，在算法的内部表示和临床医生已经使用的既定视觉评分规则之间架起了桥梁。
重要性
高准确性、极端计算效率和内置可解释性的结合，使 SomnoNet 成为扩展睡眠诊断的实用工具。仅在美国，睡眠障碍就影响约 5,000 万至 7,000 万成年人，随着认识的提高，未审阅的睡眠研究积压量持续增长。能够在经济实惠的硬件上运行并解释其推理过程的自动分期，有助于更有效地对研究进行分类，扩大服务不足地区的睡眠检测可及性，并作为决策支持工具而非人类专业知识的替代品。
通过在多数据集上进行细致的基准测试并提供针对实际部署优化的 Nano 变体，Guo 和 Sun 提供了一个弥合实验室研究与临床实用性之间差距的框架。下一步将是在真实临床工作流程中进行前瞻性验证，并与现有睡眠评分软件进行集成。
来源
Guo S， Sun G. SomnoNet: A Lightweight and Interpretable Framework for Sleep Staging Using Single-Channel EEG. IEEE J Biomed Health Inform. 2026 Jul 14. doi: 10.1109/JBHI.2026.3713336. PMID: 42447011.
婷 翻译