睡眠自动分期：修订间差异

添加链接
维基百科，自由的百科全书
下一版本→
删除的内容 添加的内容
可视化wikitext
FreeGuluGulu（留言 | 贡献）
80次编辑
内容扩充 新条目 增加或调整参考来源 调整格式、排版
（没有差异）

2023年6月5日 (一) 21:35的版本

睡眠分期是从PSG监测到的生理信号中提取睡眠周期信息的过程。

人工手动睡眠分期

在临床诊断上，睡眠分期主要由专家进行手工分期[1]，但在分期过程中个人主观性和不可预测性较强，且整晚睡眠的时间较长，导致手工睡眠分期效率低且错误率高 [6]。人工分期会受到分期标准、个体差异、培训指导 等[2]多方面的主观或客观条件的影响，而计算机进行的睡眠自动分期，不仅可以解决上述诸多问题，还可以将医师从繁重的分期工作中解放出来。睡眠分期是睡眠研究工作的基础，所以快速准确地进行睡眠的自动分期就尤为重要。目前，进行睡眠自动分期主要有两种办法，一种是基于统计规则的睡眠自动分期，另一种是基于深度学习的端对端睡眠自动分期研究方法。

睡眠自动自动分期规则

典型的睡眠特征波

脑电信号的频率一般在0.5~30 Hz。一般会按照频率、波幅的范围进行对脑电波进行分类，以此来表示睡眠过程中出现的各种特征波形。典型的睡眠特征波如下列表：[3]

  1. β波：常见于清醒期，频率大于13 Hz，没有标准的振幅和形态。
  2. α波：常见于安静时闭眼状态和REM时期，频率在8~13 Hz。睁眼时消失。没有标准的振幅和形态，往往表现为渐变状。老年人的频率和振幅降低。主要出现在枕部的EEG中。
  3. θ波：常见于N1期的后期，频率在4~7 Hz之间，没有标准的振幅和形态，波幅通常大于50 uV。有时是短阵高压电波。在中央部位很明显。
  4. 颅顶尖波：常见于N1睡眠期后期，外形尖锐，与背景是明显不一样的。没有一定标准的幅度和形态，持续时间通常小于0.5秒。
  5. 睡眠纺锤波：常见于N2，N3时期，有着规则的外形，频率为11~16 Hz (通常是12~14 Hz)，时间一般都会大于0.5秒，主要位于中央部。
  6. K复合波：常见于N2期，是N2期的特征性电波。没有标准的频率，在背景中很突出，有一个标准的形状：先是一个向上的负向波紧接着一个向下的正向波。时间大于0.5秒。通常在颈部是最明显的。
  7. δ波：常见于慢波睡眠中，频率在0.5~2 Hz，通常情况下，波幅大于75 uV，出现在N2期的时候，所占比例低于20%，如果出现在N3时期，所占比例大于20%。
  8. 锯齿波：常出现于REM时期，频率在3~7 Hz，形状为尖锐的三角形波。值得一提的是，REM时期的锯齿波其实就是θ波。

成年人睡眠的分期规则

如下：[3] W期：在一个人的清醒状态下，EEG通常有两种表现，一种是低电压混合波，频率在16~25 Hz。第二种是α波。当α波出现而且占的比例高于50%时，就可以判断这一时期是睡眠清醒期。即使没有出现α节律或者说出现的α节律不清晰，但如果出现了清晰的眨眼或者阅读性的眼球运动，或者快速的眼球运动，也就是不规律呈现尖峰状的眼电运动，也可以判读为清醒期。

N1期睡眠：这一时期的睡眠是清醒期到其他睡眠时期的过渡阶段，也是睡眠时期出现体动后到再次入睡的过渡阶段。当α波所占的比例已经不超过50%，背景波是低波幅混合波的时候，就可以将此一时期判读为N1期。如果没有出现明显的α波，但是出现了范围在4~7 Hz的脑电波，或者是出现了颅顶尖波以及明显的眼球运动，都可以判别是N1期睡眠。

N2期睡眠：这一时期的特征是出现睡眠纺锤波以及非觉醒相关K复合波。当出现一个睡眠纺锤波或者K复合波，将此时期判读为N2期睡眠。此一时期内，眼球运动已经很少，肌电活动已经比清醒时低很多。N2期结束之后如果出现了觉醒的情况，则判读为N1期。

N3睡眠期：当δ波出现的比例高于20%，可判读为N3时期，这一时期内，睡眠纺锤波可能持续出现，已经没有眼球运动，肌电活动水平达到最低。

REM睡眠期：这一时期内，出现了低电压的θ波，低频率的α波(但是会比清醒时期的α波慢1~2 Hz)，并且会有一定数量的锯齿波的出现 。[4]可以观察到快速眼球运动。肌肉的活动水平则会达到整个晚上的最低水平。几乎接近于一个平坦的状态。总体来说，当出现了低波幅混合波，低的肌肉活动水平以及快速的眼球运动就可以将这一时期判读为REM睡眠期。这一时期之后，可以过渡到W期或者N3时期，如果没有出现慢速眼球运动，肌肉的水平依然是低状态，继续判读为R期。睡眠时期与特征脑电的关系如下表所示。[3]

期别 特征波
W Alpha (8~13 Hz), Beta (12~30 Hz)
N1 Theta (4~8 Hz)
N2 Spindle (12~14 Hz), K Complex (1 Hz)
N3 Delta (0.5~2 Hz)
REM Alpha (8~13 Hz), Beta (12~30 Hz), Sawtooth Wave (2~6 Hz)

睡眠分期的历史

十九世纪之前，睡眠的研究几乎处于空白状态。到了十九世纪，各种睡眠理论开始涌现，脑电图等电生理技术被应用于睡眠研究。1928年，德国学者发现人在睡眠状态和觉醒时，其脑电信号的变化节律不同。[5]1937年，基于脑电图，睡眠被分为5个时期。

1953年，Aserinsky和Kleitman发现了睡眠中眼球的快速转动，即快速眼动睡眠期(Rapid Eye Movemrnt, REM)被发现。随后，为了能够对睡眠进行定量分析研究，R&K标准被制定。这一标准由Rechtsehafen与Kales于1968年提出。R&K标准对睡眠中出现的6个阶段进行划分。除了清醒期(Wake, W)，睡眠可以分为快速眼动睡眠相(Rapid Eye Movemrnt, REM)和非快速眼动睡眠相(Non-Rapid Eye Movement, NREM)。其中，非快速眼动期又可以分为睡眠一期(S1)到睡眠四期(S4)四个时期。其中S1和S2为浅睡眠，S3和S4为深睡眠。

为统一睡眠分期的不同标准，美国睡眠医学会(American Academy of Sleep Medi清醒ne, AASM)制定了全新的标准——AASM标准并正式发布《睡眠及相关事件判读手册》，该手册首次规范化了睡眠相关规则术语和判别方法，这具有划时代的重要意义。这一判读标准将原有的六个睡眠时期变更为5个 。[6]别是清醒期(Wake, W)、三个非快速眼动期(Non-Rapid Eye movement, N1, N2, N3)以及一个快速眼动期(Rapid Eye Movement, REM)。

一个神经元的电位变化很微小，但是大量的神经元细胞在同一时间发生变化，就会形成明显引发大脑皮层的电位变化，出现明显脑电信号。[7]

EEG监测与睡眠分期

脑电(electroencephalogram, EEG)信号是大脑内同步神经元活动产生的微伏级电信号，其波幅一般不会超过200 uV，包含生理和行为两方面的特征信息 。[8]

通常情况下，脑电信号的波幅最大不会超过100 uV，这是一种极其微弱的信号。因此脑电信号的监测需要特定的专业设备获取。专业医学领域，通常使用多导睡眠记录仪来完成这项工作。现阶段市场上的睡眠记录仪有很多，但是基本结构大同小异，一般由电极、信号放大器、存储器以及显示屏等组成。

放置电极的时候要采用国际标准的10~20系统电极放置法 [8] 。该方法的实施步骤如下：首先在头皮部确定两条直线：第一条直线是鼻根到枕骨部的连线，第二条是两只耳朵之间的左右方向的连线。两条直线的交点，也就是颅顶位置，是Cz电极。从鼻子根部往后量大概10%的地方是FPz (额部中线)，从FPz再向后量每一个20%都放置加一个电极，则依次定义位置Fz、Cz、Pz以及Oz。FPz-Cz是多数研究者的选择，因为这一条通道是脑电记录中的典型通道。

PSG多导睡眠仪收集

在临床应用中，通常使用多导睡眠仪(polysomnography, PSG)收集和记录患者的整晚脑电信号。PSG的电极放置采用国际标准的10~20系统电极放置法 [9]，即首先确定鼻根到枕骨部之间、两只耳朵左右方向之间的连线，两条直线的交点是Cz电极，从鼻子根部往后量大概10%的地方是FPz电极，从FPz再向后量每一个20%都放置一个电极，依次定义位置Fz、Cz、Pz以及Oz。大多数研究者选择FPz-Cz通道进行实验，因为该通道包含的脑电信息更为丰富，是脑电记录中的典型通道。

睡眠分期是从PSG监测到的生理信号中提取睡眠周期信息的过程。1968年，Rechtschaffen和Kales最早制定和出版了相对统一和标准的睡眠分期标准，即R&K判读规则 [10]。它将睡眠分成了不同的阶段：清醒期(wake, W)、非快速眼动睡眠(non rapid eye movement, NREM)、快速眼动睡眠(rapid eye movement, REM)。其中NREM又被分为I~IV期，分别代表睡眠由浅入深过程的不同阶段。目前，国际上普遍采用2007年美国睡眠医学会(The American Academy of Sleep Medical, AASM)修正过的R&K睡眠分期标准，将睡眠过程修改为清醒期(W)、浅睡期(N1、N2)、深睡期(N3)、和快速眼球运动期(REM) 。[11]

睡眠自动分期公开数据库

常用于自动睡眠阶段分期的公开脑电数据库有六个。其中五个数据库可从PhysioNet上免费下载 [12]

  1. 睡眠集–欧洲数据格式(sleep-european data format, Sleep-EDF) [13]
  2. 扩充的睡眠数据集(sleep-EDF database expanded, SLEEP-EDFx)
  3. 睡眠心脏健康研究(the sleep heart health study, SHHS)[14]
  4. 麻省理工学院贝斯以色列医院数据库(MIT-BIH) 和ISRUC-Sleep数据集 [15]
  5. 蒙特利尔睡眠研究数据(the montrealarchive of sleep studie, MASS)需要获得许可下载[16]
数据集名称 获取地址 简介
Sleep-EDF https://physionet.org/content/sleep-edf/1.0.0/ 该数据集包含8例睡眠数据。扩展名为.rec和 .hyp的文件分别包含欧洲数据格式的原始脑 电信号及其注释文件。
Sleep-EDFx https://www.physionet.org/content/sleep-edfx/1.0.0/ 该数据集包含197例睡眠脑电图的数据，数据为EDF格式。包含来自Fpz-Cz和Pz-Oz电极位置的脑电信号、水平位置的眼电信号、肌电信号。
SHHS https://sleepdata.org/datasets/shhs 在SHHS中共有两期数据，分别包含5793名和2651名受试者的原始多导睡眠图数据。每个记录都有一个信号文件(.EDF)和历时注释(.XML)。
MIT-BIH https://physionet.org/content/slpdb/1.0.0/ 该数据库包含超过80小时的四通道、六通道和七通道多导睡眠图记录，每个记录都有一个逐次注释的心电图信号，以及有关睡眠阶段和呼吸暂停的EEG和呼吸信号注释。
ISRUC-Sleep https://sleeptight.isr.uc.pt/?page_id=48 该数据集包含100例病人的PSG数据。
MASS http://ceams-carsm.ca/en/MASS/ 该数据集包括200个完整夜晚的PSG记录。包括脑电、眼电、肌电等信号。

神经网络分类器

深度学习技术可以从训练数据中自动提取数据特征用于分类，并能随着数据量的增加提高模型的性能，使其分类结果更加精确、高效，在自动睡眠分期研究方面取得了较好结果。

常用的基于深度学习自动睡眠方法包括3类：

  1. 卷积神经网络模型(convolu-tionalneural network, CNN)
  2. 循环神经网络模型(recurrent neural network, RNN)
  3. 混合神经网络模型(hybrid neural networks)

深度卷积神经网络

深度卷积神经网络(convolutional neural network, CNN)是至少具有一个卷积层的前馈神经网络，主要有卷积层、池化层、全连接层组成，被广泛应用于图像处理领域。 [17] [18]其中，卷积层负责提取图像中的局部特征；池化层用来大幅降低参数量级；全连接层类似传统神经网络的部分，用来输出想要的结果 [19]。相比其他神经网络模型，卷积网络的特征提取能力更强，而且相对易于训练。CNN也是最先应用于脑电信号领域的深度学习模型。[20]

由于脑电信号在采集过程中会使用多个通道，所以很多研究将多通道脑电信号映射为二维(two-dimensional, 2D)或三维(three-dimensional, 3D)图像，以便于采用CNN进行模型构建。

Tsinalis等人构建具有两对卷积层和池化层，两个全连接层的CNN模型，结合Softmax函数，实现了正常睡眠阶段的自动分期。Tsinalis, O. and Matthews, P.M. and Guo, Y. and Zafeiriou, S. 使用卷积神经网络进行单通道 EEG 的睡眠分期. arXiv preprint arXiv:1610.01683. 2016-10-05. 

Zhu等将注意力机制引入了CNN网络中共同执行自动睡眠分期，模型使用Sleep-EDF数据集实现了93.7%的总体准确性。[21]然而，当对扩展的Sleep-EDFx数据库中的EEG信号进行测试时，同样的模型只获得了82.8%的准确性。Zhang等构建具有五层CNN结构的神经网络模型，使用临床收集的数据集，实现了96%的总体准确性。[22]但是，这种准确性是通过使用私人临床数据集实现的，当他们使用Sleep-EDF数据集评估模型的性能时，总体准确率达到了86.4%，这低于Zhu等的模型。为了避免因更有效的捕捉特征而增加网络深度引起的梯度消失问题，Zhu等和Cui等选择使用层数较少的CNN模型，通过使用注意力机制和多尺度熵中的细粒度段来增加模型特征提取能力，从而获得较高的睡眠阶段分类性能。[23]

循环神经网络

CNN虽然能充分挖掘数据的时频域特征，但无法提取数据间的时序特征，而EEG信号是具有高度随机性的非线性时间序列数据 [24]，不仅包含时频域特征，还包含时序特征。RNN正是用于处理时间序列数据的网络，其在自然语言处理、机器翻译等领域获得了广泛应用[25] [26][27]。

为了能够充分利用脑电信号的时序信息，一些研究采用 RNN来构建自动睡眠分期模型。Hsu等采用Elman网络结构，构建4层RNN网络模型，成功地对睡眠的各个阶段进行了分类，实现了模型最佳性能，总体准确率为87.2%。[28]然而由于传统RNN模型容易产生梯度消失等问题，无法学习长期依赖关系，且训练效率低下，所以研究者们大多使用RNN的变体网络，如长短期记忆(longshort-termmemory, LSTM)网络和双向长短期记忆网络(bi-directional long short-term memory, BiLSTM)等。这些网络不仅能有效挖掘脑电数据中的时序特征，还解决了梯度消失问题。Michielli等人提出了一个具有2个LSTM单元的级联RNN网络，获得了类似的86.7%的精度。[24]BiLSTM是LSTM的一种变体，相比于单向LSTM而言，BiLSTM能够同时利用过去时刻和未来时刻的信息，比单向LSTM获得更准确的预测效果。这在自动睡眠分期过程中是合理的，因为专家在睡眠分期过程中，不仅要考虑这一帧的数据信息，还要考虑前后帧对其的影响。You等将BiLSTM应用于所提出的模型，将模型的整体准确率提高了约1%，达到了81.6%，所提出的模型的参数测量值仅为0.31 MB，是DeepSleepNet [29] 的5%，但其性能与DeepSleepNet相似。[30]Fu等人整合BiLSTM网络，使用单一EEG通道获得了总体83.78%的分类精度。[31]

混合神经网络

为了充分利用卷积神经网络在特征选择、提取方面的良好性能，循环神经网络处理具有时序信息数据时的独特优势，进一步提高自动睡眠分期模型的性能，很多研究者提出了将两者相结合的深度模型，这也是最近研究的热点工作 [32][33] [34]。Amelia等构建了包含三个卷积层和两个LSTM层的深度学习模型，对低质量双通道脑电数据的验证准确率为74% (±10%)，在黄金标准PSG上实现了77% (±10%)的验证准确率。[35]Zhao等 搭建一维CNN-LSTM模型，使用Fpz-Cz通道获得了93.47%的分期准确率。[36]为了在特征提取中充分考虑局部特征，并且区分关键和非关键局部特征的重要性，Tingting等 在由CNN和BiLSTM组成的CAttSleepNet模型中加入了注意力机制，加强EEG信号局部和全局上下文相关性特征，在Sleep-EDF和Sleep-EDFx数据集上均获得了优于其它模型的实验结果。[37]


  1. ^ Mousavi, Sajad; Afghah, Fatemeh; Acharya, U. Rajendra. SleepEEGNet: Automated sleep stage scoring with sequence to sequence deep learning approach. PLOS ONE. 2019-05-07, 14 (5). ISSN 1932-6203. PMC 6504038 可免费查阅. PMID 31063501. doi:10.1371/journal.pone.0216456 （英语）. 
  2. ^ 祝宇虹,; 张忠奎; 李满天. 一种基于脑电ZCR值的自动睡眠分期方法研究. 机械与电子. 2010, 6: 3-7. 
  3. ^ 3.0 3.1 3.2 徐, 富献. A Review of Automatic Sleep Staging. Biophysics. 2019, 07 (03). ISSN 2330-1686. doi:10.12677/BIPHY.2019.73004. 
  4. ^ Hassan, Ahnaf Rashik; Bhuiyan, Mohammed Imamul Hassan. Computer-aided sleep staging using Complete Ensemble Empirical Mode Decomposition with Adaptive Noise and bootstrap aggregating. Biomedical Signal Processing and Control. 2016-02-01, 24. ISSN 1746-8094. doi:10.1016/j.bspc.2015.09.002 （英语）. 
  5. ^ 王菡侨. 有关美国睡眠医学学会睡眠分期的最新判读标准指南解析. 诊断学理论与实践. 2009-12-25, 8 (06). ISSN 1671-2870. doi:10.16150/j.1671-2870.a1626 （中文）. 
  6. ^ Supratak, Akara; Dong, Hao; Wu, Chao; Guo, Yike. DeepSleepNet: A Model for Automatic Sleep Stage Scoring Based on Raw Single-Channel EEG. IEEE Transactions on Neural Systems and Rehabilitation Engineering. 2017-11, 25 (11). ISSN 1558-0210. doi:10.1109/TNSRE.2017.2721116. 
  7. ^ Kuo, Chih-En; Liang, Sheng-Fu. Automatic stage scoring of single-channel sleep EEG based on multiscale permutation entropy. 2011 IEEE Biomedical Circuits and Systems Conference (BioCAS). 2011-11. doi:10.1109/BioCAS.2011.6107824. 
  8. ^ Casson, Alexander J.; Yates, David C.; Smith, Shelagh J.M.; Duncan, John S.; Rodriguez-Villegas, Esther. Wearable Electroencephalography. IEEE Engineering in Medicine and Biology Magazine. 2010-05, 29 (3). ISSN 1937-4186. doi:10.1109/MEMB.2010.936545. 
  9. ^ Report of the committee on methods of clinical examination in electroencephalography: 1957. Electroencephalography and Clinical Neurophysiology. 1958-05-01, 10 (2). ISSN 0013-4694. doi:10.1016/0013-4694(58)90053-1 （英语）. 
  10. ^ Allan Hobson, J. A manual of standardized terminology, techniques and scoring system for sleep stages of human subjects: A. Rechtschaffen and A. Kales (Editors). (Public Health Service, U.S. Government Printing Office, Washington, D.C., 1968, 58 p., $4.00). Electroencephalography and Clinical Neurophysiology. 1969-06-01, 26 (6). ISSN 0013-4694. doi:10.1016/0013-4694(69)90021-2 （英语）. 
  11. ^ Berry, Richard B.; Budhiraja, Rohit; Gottlieb, Daniel J.; Gozal, David; Iber, Conrad; Kapur, Vishesh K.; Marcus, Carole L.; Mehra, Reena; Parthasarathy, Sairam; Quan, Stuart F.; Redline, Susan. Rules for scoring respiratory events in sleep: update of the 2007 AASM Manual for the Scoring of Sleep and Associated Events. Deliberations of the Sleep Apnea Definitions Task Force of the American Academy of Sleep Medicine. Journal of clinical sleep medicine: JCSM: official publication of the American Academy of Sleep Medicine. 2012-10-15, 8 (5). ISSN 1550-9397. PMC 3459210 可免费查阅. PMID 23066376. doi:10.5664/jcsm.2172. 
  12. ^ Goldberger, Ary L.; Amaral, Luis A. N.; Glass, Leon; Hausdorff, Jeffrey M.; Ivanov, Plamen Ch.; Mark, Roger G.; Mietus, Joseph E.; Moody, George B.; Peng, Chung-Kang; Stanley, H. Eugene. PhysioBank, PhysioToolkit, and PhysioNet: Components of a New Research Resource for Complex Physiologic Signals. Circulation. 2000-06-13, 101 (23). ISSN 0009-7322. doi:10.1161/01.CIR.101.23.e215 （英语）. 
  13. ^ Kemp, B.; Zwinderman, A.H.; Tuk, B.; Kamphuisen, H.A.C.; Oberye, J.J.L. Analysis of a sleep-dependent neuronal feedback loop: the slow-wave microcontinuity of the EEG. IEEE Transactions on Biomedical Engineering. 2000-09, 47 (9). ISSN 1558-2531. doi:10.1109/10.867928. 
  14. ^ Zhang, Guo-Qiang; Cui, Licong; Mueller, Remo; Tao, Shiqiang; Kim, Matthew; Rueschman, Michael; Mariani, Sara; Mobley, Daniel; Redline, Susan. The National Sleep Research Resource: towards a sleep data commons. Journal of the American Medical Informatics Association. 2018-05-31, 25 (10). ISSN 1067-5027. PMC 6188513 可免费查阅. PMID 29860441. doi:10.1093/jamia/ocy064. 
  15. ^ Khalighi, Sirvan; Sousa, Teresa; Santos, José Moutinho; Nunes, Urbano. ISRUC-Sleep: A comprehensive public dataset for sleep researchers. Computer Methods and Programs in Biomedicine. 2016-02-01, 124. ISSN 0169-2607. doi:10.1016/j.cmpb.2015.10.013 （英语）. 
  16. ^ O'Reilly, Christian; Gosselin, Nadia; Carrier, Julie; Nielsen, Tore. Montreal Archive of Sleep Studies: an open-access resource for instrument benchmarking and exploratory research. Journal of Sleep Research. 2014-12, 23 (6). doi:10.1111/jsr.12169 （英语）. 
  17. ^ Ye, Fangfang; Xu, Sen; Wang, Ting; Wang, Zhangquan; Ren, Tiaojuan. Application of CNN Algorithm Based on Chaotic Recursive Diagonal Model in Medical Image Processing. Computational Intelligence and Neuroscience. 2021-09-09, 2021. ISSN 1687-5265. PMC 8445709 可免费查阅. PMID 34539771. doi:10.1155/2021/6168562 （英语）. 
  18. ^ Hu, Xiaofang; Shi, Wenqiang; Zhou, Yue; Tang, Hongan; Duan, Shukai. Quantized and adaptive memristor based CNN (QA-mCNN) for image processing. Science China Information Sciences. 2021-05-20, 65 (1). ISSN 1869-1919. doi:10.1007/s11432-020-3031-9 （英语）. 
  19. ^ LeCun, Yann; Bengio, Yoshua. Convolutional networks for images, speech, and time series. The handbook of brain theory and neural networks. Cambridge, MA, USA: MIT Press. 1998-10-01: 255–258. ISBN 978-0-262-51102-5. doi:10.5555/303568.303704. 
  20. ^ Cecotti, Hubert; Graser, Axel. Convolutional Neural Networks for P300 Detection with Application to Brain-Computer Interfaces. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2011-03, 33 (3). ISSN 1939-3539. doi:10.1109/TPAMI.2010.125. 
  21. ^ Zhu, Tianqi; Luo, Wei; Yu, Feng. Convolution- and Attention-Based Neural Network for Automated Sleep Stage Classification. International Journal of Environmental Research and Public Health. 2020-01, 17 (11). ISSN 1660-4601. PMC 7313068 可免费查阅. PMID 32532084. doi:10.3390/ijerph17114152 （英语）. 
  22. ^ Zhang, Xiaoqing; Xu, Mingkai; Li, Yanru; Su, Minmin; Xu, Ziyao; Wang, Chunyan; Kang, Dan; Li, Hongguang; Mu, Xin; Ding, Xiu; Xu, Wen. Automated multi-model deep neural network for sleep stage scoring with unfiltered clinical data. Sleep and Breathing. 2020-06-01, 24 (2). ISSN 1522-1709. PMC 7289784 可免费查阅. PMID 31938990. doi:10.1007/s11325-019-02008-w （英语）. 
  23. ^ Cui, Zhihong; Zheng, Xiangwei; Shao, Xuexiao; Cui, Lizhen. Automatic Sleep Stage Classification Based on Convolutional Neural Network and Fine-Grained Segments. Complexity. 2018-10-08, 2018. ISSN 1076-2787. doi:10.1155/2018/9248410 （英语）. 
  24. ^ 24.0 24.1 Michielli, Nicola; Acharya, U. Rajendra; Molinari, Filippo. Cascaded LSTM recurrent neural network for automated sleep stage classification using single-channel EEG signals. Computers in Biology and Medicine. 2019-03-01, 106. ISSN 0010-4825. doi:10.1016/j.compbiomed.2019.01.013 （英语）. 
  25. ^ Samaan, Gerges H.; Wadie, Abanoub R.; Attia, Abanoub K.; Asaad, Abanoub M.; Kamel, Andrew E.; Slim, Salwa O.; Abdallah, Mohamed S.; Cho, Young-Im. MediaPipe’s Landmarks with RNN for Dynamic Sign Language Recognition. Electronics. 2022-01, 11 (19). ISSN 2079-9292. doi:10.3390/electronics11193228 （英语）. 
  26. ^ Zhu, Tianqi; Luo, Wei; Yu, Feng. Convolution- and Attention-Based Neural Network for Automated Sleep Stage Classification. International Journal of Environmental Research and Public Health. 2020-01, 17 (11). ISSN 1660-4601. PMC 7313068 可免费查阅. PMID 32532084. doi:10.3390/ijerph17114152 （英语）. 
  27. ^ Zhu, Tianqi; Luo, Wei; Yu, Feng. Convolution- and Attention-Based Neural Network for Automated Sleep Stage Classification. International Journal of Environmental Research and Public Health. 2020-01, 17 (11). ISSN 1660-4601. PMC 7313068 可免费查阅. PMID 32532084. doi:10.3390/ijerph17114152 （英语）. 
  28. ^ Hsu, Yu-Liang; Yang, Ya-Ting; Wang, Jeen-Shing; Hsu, Chung-Yao. Automatic sleep stage recurrent neural classifier using energy features of EEG signals. Neurocomputing. 2013-03-15, 104. ISSN 0925-2312. doi:10.1016/j.neucom.2012.11.003 （英语）. 
  29. ^ Supratak, Akara; Dong, Hao; Wu, Chao; Guo, Yike. DeepSleepNet: A Model for Automatic Sleep Stage Scoring Based on Raw Single-Channel EEG. IEEE Transactions on Neural Systems and Rehabilitation Engineering. 2017-11, 25 (11). ISSN 1558-0210. doi:10.1109/TNSRE.2017.2721116. 
  30. ^ Hsu, Yu-Liang; Yang, Ya-Ting; Wang, Jeen-Shing; Hsu, Chung-Yao. Automatic sleep stage recurrent neural classifier using energy features of EEG signals. Neurocomputing. 2013-03-15, 104. ISSN 0925-2312. doi:10.1016/j.neucom.2012.11.003 （英语）. 
  31. ^ Hsu, Yu-Liang; Yang, Ya-Ting; Wang, Jeen-Shing; Hsu, Chung-Yao. Automatic sleep stage recurrent neural classifier using energy features of EEG signals. Neurocomputing. 2013-03-15, 104. ISSN 0925-2312. doi:10.1016/j.neucom.2012.11.003 （英语）. 
  32. ^ Hsu, Yu-Liang; Yang, Ya-Ting; Wang, Jeen-Shing; Hsu, Chung-Yao. Automatic sleep stage recurrent neural classifier using energy features of EEG signals. Neurocomputing. 2013-03-15, 104. ISSN 0925-2312. doi:10.1016/j.neucom.2012.11.003 （英语）. 
  33. ^ Zhou, Wei; Zhu, Hangyu; Shen, Ning; Chen, Hongyu; Fu, Cong; Yu, Huan; Shu, Feng; Chen, Chen; Chen, Wei. A Lightweight Segmented Attention Network for Sleep Staging by Fusing Local Characteristics and Adjacent Information. IEEE Transactions on Neural Systems and Rehabilitation Engineering. 2023, 31. ISSN 1558-0210. doi:10.1109/TNSRE.2022.3220372. 
  34. ^ Hsu, Yu-Liang; Yang, Ya-Ting; Wang, Jeen-Shing; Hsu, Chung-Yao. Automatic sleep stage recurrent neural classifier using energy features of EEG signals. Neurocomputing. 2013-03-15, 104. ISSN 0925-2312. doi:10.1016/j.neucom.2012.11.003 （英语）. 
  35. ^ Casciola, Amelia A.; Carlucci, Sebastiano K.; Kent, Brianne A.; Punch, Amanda M.; Muszynski, Michael A.; Zhou, Daniel; Kazemi, Alireza; Mirian, Maryam S.; Valerio, Jason; McKeown, Martin J.; Nygaard, Haakon B. A Deep Learning Strategy for Automatic Sleep Staging Based on Two-Channel EEG Headband Data. Sensors. 2021-01, 21 (10). ISSN 1424-8220. PMC 8151443 可免费查阅. PMID 34064694. doi:10.3390/s21103316 （英语）. 
  36. ^ Hsu, Yu-Liang; Yang, Ya-Ting; Wang, Jeen-Shing; Hsu, Chung-Yao. Automatic sleep stage recurrent neural classifier using energy features of EEG signals. Neurocomputing. 2013-03-15, 104. ISSN 0925-2312. doi:10.1016/j.neucom.2012.11.003 （英语）. 
  37. ^ Li, Tingting; Zhang, Bofeng; Lv, Hehe; Hu, Shengxiang; Xu, Zhikang; Tuergong, Yierxiati. CAttSleepNet: Automatic End-to-End Sleep Staging Using Attention-Based Deep Neural Networks on Single-Channel EEG. International Journal of Environmental Research and Public Health. 2022-01, 19 (9). ISSN 1660-4601. PMC 9104971 可免费查阅. PMID 35564593. doi:10.3390/ijerph19095199 （英语）. 
取自“https://zh.wikipedia.org/w/index.php?title=睡眠自动分期&oldid=77565393”