基于MF-DFA增强深度学习的脑电信号睡眠障碍稳健分类

《Fractal and Fractional》:MF-DFA–Enhanced Deep Learning for Robust Sleep Disorder Classification from EEG Signals Abdulaziz Alorf

【字体: 大 中 小 】 时间:2026年03月20日 来源:Fractal and Fractional 3.5

编辑推荐:

  睡眠障碍在全球范围内具有较高的患病率,可导致心血管疾病和认知功能障碍等严重健康问题。传统的基于多导睡眠图的诊断依赖于训练有素的专业人员手动分析脑电图(EEG),此过程耗时且存在评分者间差异。尽管深度学习(DL)模型在脑电图睡眠分类任务中展现出良好前景,但在多数

  
睡眠障碍在全球范围内具有较高的患病率,可导致心血管疾病和认知功能障碍等严重健康问题。传统的基于多导睡眠图的诊断依赖于训练有素的专业人员手动分析脑电图(EEG),此过程耗时且存在评分者间差异。尽管深度学习(DL)模型在脑电图睡眠分类任务中展现出良好前景,但在多数情况下未能充分解释生理信号所具备的多尺度时序动力学特性。本研究中,研究人员提出了一种结合卷积神经网络(CNN)与多尺度去趋势波动分析(MF-DFA)的混合模型,用于检测单通道脑电图记录中的局部时序特征及长期分形动力学特征。该模型的性能通过两个独立的多导睡眠图数据集进行验证:CAP睡眠数据集的五分类睡眠障碍分类(健康、失眠、发作性睡病、周期性肢体运动障碍(PLM)和快速眼动睡眠行为障碍(RBD)),以及ISRUC睡眠数据集的三分类受试者独立验证。在CAP数据集上,该框架达到了86.38%的准确率。跨数据集迁移至ISRUC睡眠数据集时,仅对分类头进行微调,而所有特征提取层保持冻结,在仅使用少量标注子集的情况下达到87.50%的准确率,表明所学表征能够泛化至不同的记录方案、采样率和诊断标签空间。消融实验证明了MF-DFA特征的关键重要性,缺乏这些特征会导致分类率显著降低。研究结果证实了将分形分析与深度学习相结合以自动化、可泛化方式检测睡眠障碍的临床可行性,适用于大规模监测和资源匮乏的临床环境。
睡眠障碍作为影响全球数亿人口健康的重要公共卫生问题,可导致心血管疾病、糖尿病及认知功能障碍等严重并发症,同时催生了持续增长的诊断与治疗干预国际市场。失眠、发作性睡病、周期性肢体运动障碍(PLM)和快速眼动睡眠行为障碍(RBD)等不同睡眠障碍各具特征性的神经生理模式与临床结局,其病因涉及遗传因素、神经化学失衡、睡眠节律紊乱、过多屏幕使用时间及并存身心疾病等多重因素。流行病学证据表明睡眠障碍的患病率和表现形式随年龄显著变化:失眠患病率随年龄增长而升高,老年人群可达50%;发作性睡病发病高峰位于青少年期(10-20岁);PLM患病率在50岁后急剧上升;RBD则主要影响60岁以上男性,且 increasingly 被视为神经退行性疾病的早期标志。这些年龄相关差异凸显了开发能够跨越不同人口学特征稳健分类模型的重要性。

传统上,多导睡眠图(PSG)是准确诊断睡眠障碍的唯一方法,该过程需由训练有素的睡眠专家手动分析脑电图(EEG)以识别特定睡眠阶段。然而,脑电图信号的手动评分耗时、主观性强且存在评分者间差异,因此亟需自动化分类系统。脑电图信号的非平稳性和复杂性限制了利用手工特征的传统机器学习(ML)模型性能。尽管深度学习(DL),尤其是卷积神经网络(CNN),通过直接从原始信号进行分层特征学习在脑电图自动分析中展现出显著优势,但单一深度学习模型难以充分刻画表征不同睡眠障碍类别的复杂过渡性脑电图动态和长期时序相关性。为此,研究人员提出了集成学习等策略以利用模型互补能力提升泛化性和鲁棒性。与此同时,分形分析在刻画脑电图信号尺度不变时序特性方面显示出价值,其中MF-DFA尤其适用于生理信号的长期相关性分析。

尽管CNN、集成学习和分形特征各自单独应用均取得成功,但将其作为单一网络进行睡眠障碍分类的研究尚属少见。既往研究多单独使用深度学习或分形分析,未能充分利用学习所得时空表征与显式分形时序特征融合的可能性。为填补这一空白,研究人员构建了基于CNN的时序特征提取框架,并整合MF-DFA以提取分形特性,使模型能够捕捉CNN alone 无法表征的多尺度时序动态和长期相关性。该联合方法提供了脑电图信号的完整表征,增强了跨不同睡眠障碍类别的分类性能,加之受试者独立能力,使其适用于多种临床场景。

研究的主要贡献包括:提出基于CNN结合MF-DFA提取特征的睡眠障碍(包括失眠、发作性睡病、RBD和PLM)分类方法;在CAP睡眠数据集上系统比较包含与不包含分形特征的设置以分析分形分析的影响;在ISRUC数据集上进行交叉验证以证明模型在不同临床环境中的鲁棒性。

在文献综述部分,研究人员指出脑电图自动化系统已成为动态研究领域,但传统方法难以同时建模多尺度时序动态和尺度不变结构。分形脑电图分析可捕捉长期时序相关性,而深度学习架构捕捉局部波形形态特征。现有文献多聚焦于睡眠分期分类,而本研究针对更具临床导向的睡眠障碍诊断任务,即区分病理状况而非睡眠结构阶段。既往研究在跨受试者泛化、多中心验证及非线性特征整合方面存在不足。本研究采用MF-DFA分形描述符与CNN时序特征相结合,创建能够同时追踪非线性动力学和时序模式的系统,满足脑电图多尺度表征和跨数据集性能需求。

研究方法方面,研究人员设计了端到端的单通道脑电图睡眠障碍自动分类流程,采用多域特征提取和混合深度学习以区分睡眠障碍。该框架面向跨数据集泛化,统一应用于CAP睡眠数据集(5类:健康、失眠、发作性睡病、PLM、RBD)和ISRUC睡眠数据集(3类:健康、PLM、RBD)。原始脑电图信号经过滤波、归一化和固定长度窗口分割后,提取统计多尺度分形(MF-DFA)和小波散射网络(WSN)特征。混合双分支架构整合两种互补模态:分支一为原始脑电图时序特征,经类EfficientNet一维CNN主干提取(通过双全局池化生成1024维嵌入);分支二为手工多域描述符,包括MF-DFA广义Hurst指数、谱带功率和统计特征(共34维),经三层全连接分形分支处理(生成256维嵌入)。两个嵌入向量拼接(1280维)后,通过学习注意门(Dense(1280→320)→ReLU→Dense(320→1280)→Sigmoid,逐元素应用)自适应加权各模态贡献,最终经多层分类头输出类别概率。

CAP睡眠数据集包含五组诊断类别,研究人员使用2秒epoch、1024样本@512Hz的平衡脑电图。为确保类别平衡,每组保留9000个片段,总计45000个样本。分割在记录(受试者)层面进行,同一记录的所有片段 exclusively 分配至70%训练、15%验证或15%测试分区,确保受试者不相交的分割且无数据泄漏。采用受试者层面的分层抽样以维持各分区的近似类别平衡。ISRUC数据集包含10名受试者的多导睡眠图记录,涵盖健康、PLM和RBD三分类。脑电图通道经自动识别(C3、C4、F3、F4、O1、O2、Cz、Pz),多通道时取平均产生单通道复合信号。信号以256Hz采样率分割为1024样本的4秒epoch(50%重叠滑动窗口),剔除平坦段(标准差<10-6)。少数类别通过加性高斯噪声(σ=0.01)、随机幅度缩放(因子0.9-1.1)和时间偏移(±50样本)进行增强。

预处理流程包括:应用4阶Butterworth带通滤波器(截止频率0.3Hz和100Hz)去除基线漂移和高频噪声;应用中心频率50Hz(Q=30)的陷波滤波器抑制工频干扰;ISRUC信号通过多相抗混叠滤波重采样至256Hz;计算各epoch标准差剔除平坦线和断连电极伪迹;对保留epoch进行z-score归一化。特征提取方面,设计多域框架以捕获互补脑电图特征,包括:时域统计特征(约25维,涵盖均值、中位数、离散度、Hjorth参数等);谱特征(基于Welch功率谱密度,提取δ(0.5-4Hz)、θ(4-8Hz)、α(8-13Hz)、β(13-30Hz)、γ(30-100Hz)绝对和相对带功率、带功率比、谱边缘频率、谱熵、谱矩和谱形特征);MF-DFA特征(广义Hurst指数h(q),q从-5到+5,步长0.5,尺度s范围10-100);以及小波散射网络特征(J=6, Q=8,一阶和二阶系数,~55维)。特征选择采用互信息法,训练分区拟合后保留与标签最相关的120维特征,相同特征掩模应用于验证和测试集以防止信息泄漏。

模型架构方面,CNN分支(模态1)处理原始1024样本脑电图段,通过多尺度卷积前端(核尺寸7和31)、三个堆叠残差块(含Squeeze-and-Excitation通道重校准,缩减比=16)和双全局池化(平均+最大,拼接),生成1024维时序嵌入。分形分支(模态2)输入34维手工特征向量(13个MF-DFA描述符、8个谱特征、1个Higuchi分形维数、12个统计描述符),经三层Dense→BatchNorm→ReLU→Dropout处理,生成256维分形嵌入。两个嵌入拼接为1280维向量,经注意门调制:两层MLP(1280→320→1280)+Sigmoid激活生成逐元素注意权重,平衡时序和分形贡献自适应。注意后表征 feeding 三层分类头(1280→512→256→C,C=5 for CAP或3 for ISRUC),Softmax输出。

实验配置中,CAP数据集使用批大小32、5分类、学习率2×10-5、权重衰减1×10-5、dropout 0.35、训练250epoch;ISRUC使用批大小32、3分类、相同学习率和权重衰减、dropout 0.35、训练35epoch。

研究结果部分,CAP数据集上框架达到测试准确率86.38%、宏平均精确率88.05%、召回率88.15%、F1分数88.02%。训练在240epoch收敛,验证准确率88.35%、F1分数88.24%。类别分析显示发作性睡病F1分数最高(92.96%,精确率90.91%,召回率95.11%),失眠F1分数92.53%(精确率91.27%,召回率93.82%);PLM和RBD相对较低(F1分数分别为81.54%和83.22%),反映运动相关睡眠障碍脑电图微结构重叠。混淆矩阵分析显示健康类真阳性率93.16%,主要混淆为PLM(2.84%)和RBD(2.13%);PLM-RBD双向混淆率(7.16%和6.84%)与RBD患者30-60% PLM共病率的流行病学发现一致。宏平均F1分数88.02%、Cohen's Kappa 0.8519、Matthews相关系数(MCC)0.8298,各类别AUC范围0.964(PLM、RBD)至0.992(发作性睡病)。

MF-DFA特征解释性分析显示,h(q=1)在CAP测试集上:健康=0.72(0.08)、失眠=0.65(0.09)、发作性睡病=0.58(0.11)、PLM=0.69(0.10)、RBD=0.67(0.10)。发作性睡病较低h(1)反映睡眠碎片化,健康较高值指示更稳定的脑电图动态,与t-SNE观察到的类别分离一致。完整多尺度谱h(q)(q=-5至+5)显示正q值处类间分离更强,支持真实多尺度分形脑电图动力学。谱宽进一步区分类别:健康和PLM显示宽谱(高复杂性),发作性睡病和失眠显示窄谱(低复杂性)。

消融研究证明MF-DFA特征的关键作用:仅提供h(1)的配置A达到最高准确率86.38±0.42%和F1-macro 88.02±0.38%;移除所有MF-DFA特征(配置F)降低至82.14±0.81%和86.16±0.74%,净贡献为4.24%准确率和3.41% F1下降。McNemar检验χ2=14.73, p=0.0001,性能提升具有统计学显著性(p<0.001)。用多尺度谱宽Δh替代h(1)(配置B)仅部分恢复差距(83.72%),表明Δh将正负矩标度行为混淆为单一汇总统计量,丢弃h(1)编码的细粒度时序相关性信息。配置C和D提供更多矩阶子集(3和11个广义Hurst指数),但均不及配置A(85.53%和84.91%),从C到D的下降与维度灾难效应一致:紧凑三层分形分支容量有限,11个相关指数引入冗余维度稀释训练梯度信号。配置E将Δh附加于h(1),准确率85.86±0.45%边际优于多q配置但仍低0.52点,确认谱宽添加的是部分冗余而非互补信息。

ISRUC跨数据集迁移评估中,冻结CNN主干和分形分支,仅替换分类头(5输出→3输出)并在小标注子集(每类≤50片段,共计≤150片段)上进行35epoch微调。在360片段(每类120片段)的保留测试集上,达到准确率87.50%、宏精确率87.90%、宏召回率87.50%、宏F1分数87.41%、加权F1分数87.55%、Cohen's Kappa 0.8125、MCC 0.8137。类别AUC分别为0.967(健康)、0.955(PLM)、0.999(RBD)。1000次迭代bootstrap重采样95%置信区间:准确率[84.72%, 90.28%]、宏F1[84.15%, 90.67%]、Kappa[0.7688, 0.8563],表明观察到的跨数据集性能统计稳健。类别结果:RBD F1分数97.91%(精确率98.32%,召回率97.50%),健康F1分数84.50%(精确率78.99%,召回率90.83%),PLM F1分数79.82%(召回率74.17%,精确率86.41%)。混淆矩阵显示健康召回率90.83%,9.2%误分为PLM;PLM召回率74.2%,24.2%误分为健康;RBD召回率97.5%,2.5%误分为PLM。健康-PLM的不对称混淆(9.2% vs 24.2%)表明PLM片段在非运动期常呈现类似健康对照的脑电图特征。

讨论与结论部分,研究人员总结了混合脑电图框架的贡献:整合CNN时序特征学习与MF-DFA多尺度分形描述符,同时捕获短期动态和不同障碍特征的长期时序相关性。CAP数据集五分类达到86.38%准确率、88.02%宏F1和Kappa 0.8519,消融研究(McNemar检验p<0.001)证实MF-DFA特征的显著贡献。系统特征选择消融表明替代h(1)一致降低性能,完全移除MF-DFA导致4.24%准确率下降,确认分形贡献具有特征特异性而非单纯累加性。ISRUC跨数据集迁移仅微调分类头达87.50%准确率(95%CI: 84.72-90.28%),证明所学表征可泛化至不同采集方案、采样率和患者群体。部署角度,RTX 3090 GPU约12ms/2秒epoch、CPU约85ms,420万参数量(~17MB)支持实时和边缘应用。局限包括PLM与RBD鉴别相对较低,反映固有脑电图微结构重叠;缺乏年龄分层分析(受限于人口学元数据);以及需前瞻性临床验证、监管考量和临床系统集成方可实际部署。未来研究应纳入多模态信号、更大样本人群、年龄分层评估和可解释AI技术以增强泛化性、可解释性和临床适用性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号