上海
睡眠分期對于分析睡眠質量和診斷睡眠相關腦疾病具有重要意義。隨著“中國腦計劃”的深入實施及“十五五”規劃對腦科學與類腦研究的初步戰略布局，如何通過非侵入式、居家化的手段實現對大腦功能狀態的精準評估，已成為神經科學與人工智能交叉領域的重大命題。多導睡眠圖（PSG）是睡眠分期的常用方法。它通過記錄腦電圖（EEG）、心電圖（ECG）、眼動圖（EOG）和肌電圖（EMG）等多種生理信號監測睡眠狀態。然而，這些信號的分析很大程度上受經驗和主觀狀態的影響，因此解讀結果往往存在主觀差異。鑒于人工分析PSG信號既耗時又費力，這些方法通常對下游任務的適應性有限且依賴于多通道信號或EEG數據進行睡眠分期分類，且佩戴相關設備通常會給受試者帶來不適。相比之下，單導聯信號為睡眠分期分類提供了一種更便捷舒適的替代方案。
周毅教授團隊在中國科學院一區TOP期刊Knowledge-Based Systems在線發表題為《SleepECGFusion: A Cross-Modal Deep Learning Framework for Automatic Sleep Stage Classification using Single-Lead ECG》的研究論文。研究提出了一種創新型跨模態深度學習框架，該框架成功整合了來自兩個互補領域的信息。此外，本研究驗證了增加輸入信號持續時間能夠持續提高所有睡眠階段的分類準確率的猜想。SleepECGFusion在基于心電圖的睡眠分期分類任務中取得了相對前人研究結果更佳的性能，并展現出卓越的遷移能力。未來的研究將整合更多生理信號以增強其在高度干擾睡眠中的魯棒性，以及評估其在其他睡眠相關神經系統疾病中的應用。
圖1：SleepECGFusion方法流程
廣東省精準醫學應用學會醫學大數據與人工智能分會副主任委員、中山大學中山醫學院周毅教授為通訊作者，博士研究生祁煊皓為第一作者。周毅教授團隊長期從事健康醫療信息化與大數據、醫學人工智能等相關方向研究，歡迎對此研究方向感興趣的博士后和研究生加入。
原文鏈接：https://www.sciencedirect.com/science/article/pii/S0950705125021677
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
