背景
如今，睡眠障碍是一个日益严重的公共卫生问题;世界上相当大一部分人口患有严重的睡眠障碍，需要得到医疗照顾，如何分析人的睡眠活动是首先需要解决的问题。而脑电信号能够直接反映大脑活动中的电信号，天然适合作为睡眠活动分析，所以基于睡眠脑电的睡眠活动状态分析得到了越来越多的关注。
重要波形
首先，我们需要了解一些在睡眠脑电中的重要波形，这些波形是我们进行睡眠分期的重要特征。
Alpha波（Alpha Activity）
大多数成年人的alpha波频率一般在8-12Hz间，大多出现在枕区。当人放松闭眼的时候，Alpha波占主导地位。当人睁眼或者有心里活动，特别是想象的时候，脑部的Alpha波会显著减弱。
睡眠纺锤波（Sleep Spindle）
频率为12-14Hz，持续时间至少为0.5s，呈现为成串出现的正弦波，常出现于中央区。
K复合波（K-Complex）
K复合波是持续时间大于0.5s的双向波，通常是一个正波后接着一个负波（或者是一个负波后接着一个正波）。常出现于额区。
慢波（Slow waves）
通常是0.5-2Hz,且振幅大于75μv,呈现为尖或者圆滑的正弦波。常出现于中央区。
顶尖波（Vertex sharp wave）
突出于背景，呈现为一个尖波（负向或者双向波），常出现于中央区。
眼动信号中的波形
慢眼动（Slow Eye Movements）：共轭、相对规则、波峰平缓的眼动波
眨眼（Blinks）：0.5-2Hz 共轭的垂直眼动波
快速眼动（Rapid Eye Movements）：共轭、不规则、波峰陡峭的眼动波。眼动波初始偏转持续时间<0.5s
阅读眼动（Reading Eye Movements）：由周期性慢相眼动和随后反向快相眼动组成的共轭眼动波
睡眠分期特征
Stage W
A．波形中有超过50%的Alpha波
B．Alpha波没有出现，但是出现以下特征之一
1）频率在0.5-2Hz的眨眼动作
2）阅读眼动
3）不规则的共轭快速眼动伴随正常或者增强的颏肌电
Stage N1
A. Aalpha波减弱至50%以下，并且被低波幅的混合频率波取代
B. Alpha波没有出现，出现以下特征之一
1）相较于W期脑电背景频率减慢≥1Hz的4~7Hz脑电波
2）顶尖波
3）缓慢眼动
Stage N2
A. 出现一个或者多个与觉醒无关的K复合波
B. 出现1个或者多个睡眠纺锤波
Stage N3
慢波活动占一帧的20%以上。
Stage REM
A. 低波幅、混合频率脑波
B. 低肌电活动
C. 快速眼球运动
当前主流自动分期算法
机器学习
- 支持向量机
- 随机森林
- 其他机器学习算法
深度学习
| 作者（时间） | 数据集 | 通道 | 分类器 | 性能 |
|---|---|---|---|---|
| Yildirim et al. 2019 | eight recordings (four healthy, four mild difficulty in falling asleep)；61 recordings (healthy and mild difficulty in falling asleep) | EEG single-channel (Fpz-Cz) single horizontal EOG channel | CNN | Test set 15；Acc. 91.22%；Test set；Acc. 90.98% |
| Phan et al. 2019 | 200 recordings | EEG single-channel (C4) EOG1, EOG2 two chin EMG | Time-frequency image ＋ end-to-end hierarchical RNN for sequence-to-sequence sleep staging CNN | Test set；Acc. 87.1%；Kappa 0.81 |
| Stephansen et al. 2018 | 3000 recordings (healthy and patients) from over 10 databases | EEG multi-channel (C3 or C4 and O1 or O2) | CNN ＋ RNN | Test set on IS-RC；Acc. 87% |
| Sors et al. 2018 | 5793 recordings(patients) | EEG single-channel | 14 layers CNN | Test set；Acc. 87%；Kappa 0.81 |
| Zhang and Wu 2018 | 25 recordings (sleep-disordered breathing) 16 recordings | LOC, ROC chin EMG；EEG single-channel | Complex-valued unsupervised CNN | Train on data；Validation set；Acc. 87% |
| 注：表格来源 Fiorillo L, Puiatti A, Papandrea M, et al. Automated sleep scoring: A review of the latest approaches[J]. Sleep medicine reviews, 2019, 48: 101204. |
总结
可以看出基于深度学习的自动分期系统已经得到越来越广泛的研究，大部分深度学习框架基本都是基于CNN和RNN进行搭建，且取得了不错的性能。总的来说，深度学习算法可能是更加有前途的睡眠分期算法，未来基于工程和用户需求有可能开发出可靠的，广泛使用的自动睡眠分期系统。
参考链接
https://www.scholat.com/teamwork/showPostMessage.html?id=9736
[1] Fiorillo L, Puiatti A, Papandrea M, et al. Automated sleep scoring: A review of the latest approaches[J]. Sleep medicine reviews, 2019, 48: 101204.
[2] Berry R B, Brooks R, Gamaldo C E, et al. The AASM manual for the scoring of sleep and associated events[J]. Rules, Terminology and Technical Specifications, Darien, Illinois, American Academy of Sleep Medicine, 2012, 176: 2012.