arXiv cs.AI· Jiawei Wang, Liang Xu, Shuntian Zheng, Yu Guan, Kaichen Wang, Ziqing Zhang, Chen Chen, Laurence T. Yang, Sai Gu, M. Jamal Deen·· 3 天前AI 评分24
scEEG 与 PPG 融合实现可靠睡眠分期，Mamba 增强方案在 MESA 达 κ=0.798
Combining scEEG and PPG for reliable sleep staging
AI 导读
研究探索在 30 秒至 30 分钟短窗口约束下，将单通道脑电（scEEG）与光电容积脉搏波（PPG）融合用于 4 类睡眠分期。
正文 · AI 翻译
摘要：对于单通道脑电图（scEEG）或光电容积脉搏波（PPG）等轻量可穿戴设备而言，可靠的睡眠分期仍然具有挑战性。scEEG 可直接测量皮层活动，是睡眠分期的基础，但在浅睡期表现有限。PPG 提供了一种低成本补充，可捕捉对检测浅睡有效的自主神经特征。然而，此前基于 PPG 的方法依赖整夜记录（8 - 10 小时）作为输入上下文，难以为睡眠干预提供及时反馈。在本工作中，我们研究了在短窗口（30 秒 - 30 分钟）约束下用于 4 类睡眠分期的 scEEG-PPG 融合。首先，我们评估每种模态所需的时间上下文，以更好地理解睡眠分期性能与监测窗口之间的关系。其次，我们研究了三种融合策略：分数级融合、实现特征级交互的交叉注意力融合，以及结合时间上下文建模的 Mamba 增强融合。第三，我们在多民族动脉粥样硬化研究（MESA）数据集上训练和评估，并在 Cleveland Family Study（CFS）和 Apnea, Bariatric surgery, and CPAP（ABC）数据集上进行跨数据集验证。Mamba 增强融合在 MESA 上取得了最佳性能（Cohen's Kappa $\kappa$ = 0.798，Acc = 86.9%），尤其在浅睡分类上有显著改善（F1-score：85.63% vs. 77.76%，recall：82.85% vs. 69.95%，相比单独 scEEG），并且能很好地泛化到具有不同人群的 CFS 和 ABC 数据集。这些发现表明，scEEG-PPG 融合是一种有前景的基于轻量可穿戴设备的睡眠监测方法，为更易获得的睡眠健康评估提供了途径。本项目源代码见：this https URL
| 学科： | 信号处理（eess.SP）；人工智能（cs.AI） |
| 引用为： | arXiv:2602.15042 [eess.SP] |
| （或 arXiv:2602.15042v2 [eess.SP] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2602.15042 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Jiawei Wang [查看邮箱]
[v1]
2026 年 2 月 4 日星期三 13:00:35 UTC（2,396 KB）
[v2]
2026 年 10 月 9 日星期五 21:00:07 UTC（2,929 KB）
来源：arXiv cs.AI · arxiv.org