摘要

自动睡眠分期研究目前主要借助脑电图（Electroencephalogram, EEG）信号进行。近年来，基于深度学习（Deep Learning, DL）的方法在这一领域取得了显著进展，使得自动睡眠分期的准确性接近人类水平。然而，基于EEG的睡眠分期需要复杂的且昂贵的临床设备。此外，设置过程需要专家参与，以及对受试者造成的额外不便，使其在即时护理环境中不太受欢迎。心电图（Electrocardiogram, ECG）作为一种非侵入性的替代方案，更适合用于即时护理环境，但其性能相比基于EEG的睡眠分期仍有不足。因此，将EEG学到的知识迁移到ECG上以提高模型在ECG输入上的性能是非常有帮助的。知识蒸馏（Knowledge Distillation, KD）是深度学习中一个著名概念，旨在将一个更好但可能更复杂的教师模型的知识转移到一个紧凑的学生模型中。基于这一概念，我们提出了一种跨模态KD框架，通过利用从EEG训练模型中学到的特征来改进基于ECG的睡眠分期性能。此外，我们还对所提模型的各个组件进行了多次实验，以更好地了解蒸馏方法的效果。本研究使用了蒙特利尔睡眠研究档案（Montreal Archive of Sleep Studies, MASS）中的200名受试者的数据。结果显示，在四分类和三分类睡眠分期任务中，所提出的模型分别提高了14.3%和13.4%的加权F1分数。这表明知识蒸馏对于单通道ECG基睡眠分期性能提升的有效性，在四分类（W-L-D-R）和三分类（W-N-R）任务中均得到了验证。