心肺信号睡眠分期准确率达70%，但面临N1盲点和验证缺口，系统综述发现
日期: 2026-07-08
仅使用心肺信号（而非完整的脑电图）进行自动睡眠分期,,信号来源于可穿戴传感器,,达到了约70%的实际有意义准确率，但该领域面临系统性缺陷，限制了临床部署，根据7月7日发表在《医学系统杂志》上的一项系统综述。
该综述涵盖了2010年以来发表的35项研究，发现没有单一信号模态或算法方法优于其他：单独的心脏信号、组合的心肺信号、以及通过其他非脑电通道增强的心肺信号都产生了可比的结果，传统机器学习与深度学习架构之间也是如此。
研究发现
浙江大学和杭州城市大学的研究人员检索了四个数据库，以识别基于心肺输入（心电图、光电容积描记法、呼吸感应体积描记法以及可比信号）开发自动睡眠分期模型的研究，这些研究不使用任何脑电图通道。
核心发现是整个领域约70%的准确率平台，以下各项之间没有显著差异：
- 信号模态,,仅心脏、心肺或心肺加其他非脑电信号
- 算法家族,,传统机器学习对比深度学习
出现了三种系统性故障模式：
1. 普遍缺乏外部验证。 绝大多数研究在同一数据集上进行训练和测试，通常是一个单一的公共存储库。模型尚未被证明能够跨越不同人群、传感器或记录环境进行泛化。
2. N1睡眠的分类持续不佳。 非快速眼动睡眠中最浅的阶段,,已经是人类评分者最难达成一致的阶段,,在所有被评审的方法中系统性地成为表现最差的类别。
3. 在多样化的患者群体中泛化能力有限。 以健康年轻成年人为对象的研究在文献中占主导地位。在老年人、睡眠障碍患者和儿科人群中的表现仍然基本未知。
为何重要
完整的多导睡眠图是睡眠分期金标准，但它需要专门设备、睡眠实验室和训练有素的技术人员,,使其不适用于大规模或纵向使用。捕捉心率和呼吸信号的消费级可穿戴设备已经被广泛使用，但它们的睡眠分期算法通常是专有的且未经验证。
经过验证的、基于心肺信号的开放分期流程可以改变人群睡眠健康监测。该综述确定的70%准确率上限为该领域设定了现实的基准，并指明了未来需要改进的方向：外部验证、N1检测和人群多样性。
局限性
该综述本身仅包括已发表的研究，可能反映发表偏倚。70%的数字是一个汇总值,,个别研究的性能有所差异。该综述未涉及商用可穿戴设备中使用的专有算法，这些算法可能与学术模型不同。
结论
心肺信号睡眠分期已达到稳定的准确率平台，足以用于人群水平筛查，但尚未达到临床诊断水平。该领域的下一步是明确的：在多样化人群中进行严格的外部验证，而不是进一步的算法微调。
来源
Chen W, He X, Zheng J, Chen S, Tian X. “Automatic sleep staging using cardiorespiratory signals: A systematic review of methodologies and performance.” Journal of Medical Systems. 2026 Jul 7;50(1):110. DOI: 10.1007/s10916-026-02435-9
婷 翻译