tdb1780622347/sleep-staging-model

SleepStageNet - 基于心率/HRV/呼吸/体动的睡眠分期模型

🎯 概述

SleepStageNet 是一个基于深度学习的睡眠分期模型，使用 4个非EEG特征 进行自动睡眠分期：

特征	说明	生理意义
HRV (RMSSD)	心率变异性	反映自主神经状态（副交感活性）
心率 (HR)	每分钟心跳次数	反映整体心血管水平
呼吸频率 (RR)	每分钟呼吸次数	反映呼吸调节状态
体动 (Movement)	身体活动量	反映肢体运动/觉醒

输出：每30秒epoch的睡眠分期 → Wake / N1 / N2 / N3 / REM

📐 架构设计

综合了以下SOTA论文的最佳设计：

┌──────────────────────────────────────────────────────────────┐
│                     SleepStageNet                            │
├──────────────────────────────────────────────────────────────┤
│                                                              │
│  输入: (batch, T, 4)  ← T个30秒epoch, 每个有4个特征         │
│                                                              │
│  ┌──────────────────────────────────────────────────┐       │
│  │ 1. Feature Projection (参考SleepPPG-Net)         │       │
│  │    MLP: 4 → d_model*2 → d_model                  │       │
│  └──────────────────┬───────────────────────────────┘       │
│                     │                                        │
│  ┌──────────────────┴───────────────────────────────┐       │
│  │ 2. Cross-Feature Attention (参考wav2sleep)        │       │
│  │    每个特征独立投影 + CLS Token + Transformer      │       │
│  │    学习 HRV↔HR↔RR↔Movement 的交互关系            │       │
│  └──────────────────┬───────────────────────────────┘       │
│                     │ (门控融合)                              │
│  ┌──────────────────┴───────────────────────────────┐       │
│  │ 3. Positional Encoding                            │       │
│  │    正弦位置编码 (时间位置对睡眠结构很重要)         │       │
│  └──────────────────┬───────────────────────────────┘       │
│                     │                                        │
│  ┌──────────────────┴───────────────────────────────┐       │
│  │ 4. Dilated Temporal CNN (参考wav2sleep)            │       │
│  │    2 blocks × [d=1,2,4,8,16,32], k=7              │       │
│  │    感受野 ≈ 6小时 → 捕获完整睡眠周期               │       │
│  └──────────────────┬───────────────────────────────┘       │
│                     │                                        │
│  ┌──────────────────┴───────────────────────────────┐       │
│  │ 5. Classification Head                            │       │
│  │    Linear(d_model → d_model/2 → n_classes)        │       │
│  └──────────────────────────────────────────────────┘       │
│                                                              │
│  输出: (batch, T, n_classes)  ← 每个epoch的分类logits       │
└──────────────────────────────────────────────────────────────┘

关键创新

1. 双路径门控融合：简单MLP投影 + 跨特征Transformer注意力的门控融合，兼顾效率和表达能力
2. 随机特征遮蔽 (参考wav2sleep)：训练时以30%概率随机mask特征，提高传感器缺失时的鲁棒性
3. 膨胀时序CNN (参考wav2sleep)：感受野覆盖≈6小时，能捕获完整的90-120分钟睡眠周期
4. Per-patient Z-score标准化 (参考SleepPPG-Net)：消除个体基线差异，这是最关键的预处理步骤

📊 模型配置

配置	d_model	参数量	Epoch Mixer	Sequence Mixer	适用场景
small	64	~195K	1层 Transformer	1 block, d=[1,2,4,8,16]	快速实验
base	128	~2M	2层 Transformer	2 blocks, d=[1,2,4,8,16,32]	推荐
large	256	~13.7M	3层 Transformer	3 blocks, d=[1,2,4,8,16,32,64]	最佳性能

🔬 参考文献

论文	贡献	年份
wav2sleep	Epoch Mixer + Sequence Mixer + 随机模态遮蔽	2024
Cross-Modal Transformer	跨模态注意力 + 加权交叉熵 [1,2,1,2,2]	2022
SleepPPG-Net	Per-patient Z-score + BiLSTM FE基线	2022
Mamba-sleep	轻量Mamba序列建模 + 逆频率加权	2024

🚀 快速使用

安装依赖

pip install torch numpy

推理示例

import numpy as np
import torch
from sleep_staging_model import create_model

# 创建模型
model = create_model('base', n_features=4, n_classes=4)

# 准备输入数据: T个30秒epoch的特征
T = 1200  # 10小时 = 1200个epoch
features = np.stack([
    hrv_rmssd,          # HRV (RMSSD) 序列
    heart_rate,          # 心率序列
    respiratory_rate,    # 呼吸频率序列
    body_movement,       # 体动序列
], axis=-1)  # shape: (T, 4)

# Z-score标准化 (关键步骤!)
features = (features - features.mean(axis=0)) / (features.std(axis=0) + 1e-8)
features = np.clip(features, -5, 5)

# 推理
x = torch.tensor(features, dtype=torch.float32).unsqueeze(0)  # (1, T, 4)
model.eval()
with torch.no_grad():
    logits = model(x)  # (1, T, n_classes)
    predictions = torch.argmax(logits, dim=-1)  # (1, T)

# 标签: 0=Wake, 1=N1, 2=N2, 3=N3, 4=REM
stage_names = {0: 'Wake', 1: 'N1', 2: 'N2', 3: 'N3', 4: 'REM'}

训练

python train_sleep_staging.py --model base --batch_size 16 --lr 1e-3 --max_epochs 100

📋 训练配置 (来自文献最佳实践)

超参数	值	来源
Optimizer	AdamW	wav2sleep
Learning Rate	1e-3	wav2sleep
Weight Decay	1e-2	wav2sleep
Batch Size	16 (整夜)	wav2sleep
LR Schedule	OneCycleLR (10% warmup + cosine)	改进自wav2sleep
Loss	Weighted Focal Loss (γ=2)	Cross-Modal Transformer + Focal
Class Weights	逆频率加权	Mamba-sleep
Early Stopping	patience=10	wav2sleep (5)
Gradient Clip	max_norm=1.0	标准实践
Augmentation	随机翻转(p=0.5) + 噪声(p=0.3)	wav2sleep
Feature Mask	p=0.3	wav2sleep

📊 数据集

训练数据: abmallick/heart-breath-sleep-stage-dataset

• 30秒epoch粒度
• 包含心率、呼吸频率、HRV指标
• 485+夜睡眠记录
• 4类标注: Wake, N1, N2, N3

期望性能 (基于文献)

指标	4类 (无REM)	5类 (含REM)
Cohen's κ	0.55-0.65	0.50-0.60
Accuracy	70-80%	65-75%
F1 (macro)	0.50-0.65	0.45-0.60

注: 非EEG特征的睡眠分期性能通常低于EEG-based方法(κ≈0.75+)，这是该领域的固有限制。

License

MIT