睡眠分期不再挑电极：任意脑电眼电组合都能打分，还能把时间分辨率推到秒级
核心概要
睡眠分期长期依赖固定电极组合和30秒一帧的人工标注，跨中心、跨设备的研究难以统一。AnySleep用通道注意力把任意数量的脑电和眼电通道动态融合，在28个数据集、20589份整夜记录上训练与验证，30秒分期性能达到或略超U-Sleep，缺眼电或只剩单通道时仍保持较高水平。把输出时间分辨率提高到秒级后，模型预测的清醒片段与专家标注的微觉醒重叠比例从30秒分期的7.7%升到约2秒时的57.7%。
深度剖析
睡眠分期模型现在可以直接接收任意数量和组合的脑电、眼电通道，不再要求固定的电极配置。 此前的U-Sleep固定要求一路脑电加一路眼电，通道顺序或类型一变性能就明显下降。 在两通道排列测试中，AnySleep的宏F1落在0.726至0.760的窄区间；U-Sleep在交换脑电与眼电顺序时平均宏F1下降0.160至0.203。
模型把每个通道单独提特征，再用可学习的权重把各通道特征加权合并，因此通道数变化不需要改网络结构。 这种通道注意力模块被放在编码器与解码器之间的多个深度上，而不是只在输入端或输出端做一次融合。 在分布内测试集上，AnySleep平均宏F1为0.812，晚期融合为0.804，U-Sleep为0.799，早期融合为0.787；留出测试集上分别为0.777、0.774、0.768和0.752。
把同一套网络的时间输出细化到秒级以下，可以表示30秒分期里被平均掉的短暂清醒事件。 传统30秒分期中，专家标注的微觉醒只有7.7%的时长落在清醒期预测上。 提高分辨率后这一重叠比例在约2秒时达到57.7%，约0.05秒时回落到53.1%；用3至15秒连续清醒段作为候选觉醒，与专家标注比较的最高IoU F1为0.442。
秒级睡眠阶段序列还能支撑受试者层面的疾病区分，模型输出的转换模式被用于训练随机森林分类器。 以30秒分期为输入的同类分析分辨率更粗，难以刻画短时睡眠碎片化。 在0.1至1.0秒的时间尺度上，区分健康对照与阻塞性睡眠呼吸暂停、1型发作性睡病、失眠的宏F1分别为0.91、0.86和0.82。
启示与展望
模型在28个数据集、20589份整夜记录上训练和验证，其中13个数据集参与训练与验证，15个留出数据集只用于测试；30秒分期性能在留出数据上略低于分布内数据。高分辨率输出是通过与专家标注微觉醒的重叠程度以及对疾病分类的辅助作用间接评估的，作者提出需要带高时间分辨率专家标注、多评分者共识的数据集来做直接评估。
高分辨率睡眠阶段的绝对准确性仍不确定，因为训练与主要评估都基于30秒标注，秒级输出只经过代理指标检验。从分布内到留出数据集存在轻微性能下降，不同训练轮次之间也有一定波动。作者还指出，模型约12 MB，但在低功耗消费级硬件上做端侧分期仍可能有算力压力。