星标“医工学人”，第一时间获取医工交叉领域新闻动态~
在所有健康风险中，睡眠障碍是潜伏最深的慢性疾病之一，全球数十亿人受其困扰。它不仅偷走白天的精力，更在暗处加剧着心血管负担、侵蚀记忆与情绪。目前临床诊断金标准多导睡眠监测存在设备昂贵、操作复杂、需专业医护人员参与等问题，在资源有限地区及基层医疗机构难以普及。
近期，来自南京理工大学等的研究团队在《Nature Communications》发表研究，提出一种基于大规模夜间呼吸信号的深度学习框架ResSleepNet。该框架通过分析胸腹呼吸运动信号，实现四阶段睡眠分期与呼吸暂停低通气指数估算，并成功迁移至雷达传感系统，构建完整的远程睡眠健康管理平台。 研究基于15,785夜临床数据验证，在内部测试集上睡眠分期准确率达83.53%，AHI估计组内相关系数0.90；在外部验证集准确率79.62%，ICC 0.94。在雷达数据上准确率保持75.81%，ICC 0.87，达到临床可用标准。 这一技术突破使得高质量睡眠诊疗服务不再受地域和设备限制，为推进睡眠健康公平提供了可行方案。
01
从整夜呼吸节律中提炼关键内容
对于一个患有睡眠障碍的人来说，诊断过程通常涉及繁琐的仪器，如多导睡眠图（Polysomnography），需要专业医疗资源进行全面监测。这种传统方法虽然可靠，却因耗费时间长、成本高而无法满足全社会的需求。本次研究的突破点在于利用夜间呼吸信号开展分析——这类信号非侵入式且易采集，结合人工智能即可实现准确的睡眠阶段分类和呼吸暂停指数估算，ResSleepNet的双分支卷积神经网络则进一步打破了这一技术瓶颈。 其中长程分支负责掌控全局：通过大卷积核提取整夜的呼吸节律特征，就好比在观察整场马拉松中跑步者的整体节奏。而短程分支则聚焦细节：用小卷积核捕捉局部的呼吸波动，就像在分析个人在某个时刻的细微呼吸变化。
凭借这套双分支架构，模型在睡眠监测的核心任务上表现突出。在睡眠阶段分类上，模型可区分浅睡（轻睡）、深睡、快速眼动睡眠（REM）和觉醒阶段，分类准确率在内部验证数据中达到了82.13%，而在复杂的外部验证数据中仍保持了79.62%的优异表现。而在呼吸暂停-低通气指数（AHI）估算上，它更是为阻塞性睡眠呼吸暂停（OSA）的筛查提供了便捷工具。
02
睡眠分期的智慧“大脑”和呼吸暂停评估技术
如何确定人是在浅睡？深睡？还是快速眼动睡眠（REM）呢？ResSleepNet的睡眠分期模块结合了两种超强能力。首先，模块通过灵活调整 dilation rate（膨胀率），既能以小范围视野捕捉微观的短时呼吸波动，又能以宽范围视野覆盖宏观的长时呼吸规律，实现从细节到趋势的全尺度特征捕捉。其次，Transformer的自注意力机制能精准定位并关联不同时间段的呼吸信号特征，避免因信号片段孤立而丢失关键信息。最后，经过全连接层对多维度特征的整合与映射，模型能够准确输出每个时间点对应的睡眠阶段，实现从信号分析到状态判断的精准转化。
此外，ResSleepNet还在准确估测每小时呼吸暂停-低通气指数（AHI）方面展现了非凡的实力。AHI直接反映呼吸阻塞性睡眠综合征（OSA）的严重程度。通过重叠的膨胀卷积块，该模块逐步提取深层次特征，不需要人工事件标注，便能够从整夜呼吸信号中学习到事件与AHI的复杂映射关系，直接给出医学上可信的指标。
然而，一项技术从实验室走向真实世界，总是会遇到源于数据差异的挑战，例如不同地区的人群差异、设备特性等等。研究团队巧妙地利用了对抗学习技术，让模型逐步削弱数据来源差异对特征学习的干扰，转而聚焦于呼吸信号与睡眠状态之间的核心关联规律。
03
非接触监测与实时分析
研究团队通过迁移学习将呼吸带信号上预训练的模型适配至雷达传感系统。雷达系统通过频率调制连续波探测胸腹运动，经恒虚警率检测、最小二乘圆拟合和MRC-PCA融合算法解调呼吸信号。
图2：用于睡眠分析的雷达信号解调与呼吸信号预处理流程。该图展示了模型输入前完整的信号处理流水线。a 雷达信号解调：原始雷达记录通过恒虚警率（CFAR）进行运动检测，识别稳定呼吸片段。采用最小二乘圆拟合和反正切变换对这些片段进行解调，随后通过最大比合并-主成分分析（MRC-PCA）融合实现信号级增强，最终得到纯净的呼吸波形。b 呼吸信号预处理：雷达衍生信号与呼吸带衍生信号采用统一处理流水线，包括固定时长截断、伪影去除、低通滤波、均匀重采样（约34.13赫兹）及Z分数标准化。关键处理阶段的样本输出展示了信号优化效果，且与带标注的睡眠分期保持一致，为后续分析提供支持。
针对雷达数据稀缺问题，采用两阶段迁移学习策略：首先在大规模呼吸带数据上预训练，然后在221夜雷达数据上微调。该方法使睡眠分期准确率从61.6%提升至75.8%，AHI估计ICC从-0.13提升至0.87。
为实现实时睡眠分期，研究团队提出自监督学习策略。基于预训练模型对整夜信号生成伪标签，训练轻量级模型基于1-5分钟信号片段进行阶段预测。在保留准确性的同时，实现每30秒一次的实时推理。
图3：睡眠分期与睡眠呼吸障碍预测的多阶段流程图。第一阶段，利用呼吸带记录的胸腹运动信号，在内部数据集上对模型进行预训练。特征提取器 FE (⋅) 首先对输入的睡眠信号进行处理，提取相关特征。这些特征随后输入至两个预测器：用于评估睡眠呼吸暂停严重程度的呼吸暂停低通气指数（AHI）预测器 FA (⋅)，以及用于预测不同睡眠阶段的睡眠分期预测器 FS (⋅)。同时引入领域判别器 FD (⋅) 以区分数据源，提升模型的泛化能力。第二阶段，将预训练网络（含特征提取器、AHI 预测器及睡眠分期预测器）以权重冻结的方式应用于呼吸带衍生的呼吸信号（ClinHuaiAn 数据集），并针对雷达衍生的呼吸信号（ClinRadar 数据集）进行微调。第三阶段，将模型用于实时睡眠分期。输入信号分为整夜信号和 5 分钟片段信号：整夜信号经权重冻结的特征提取器和睡眠分期预测器处理，生成伪标签；该伪标签与片段信号共同用于特征提取器的进一步微调。随后采用简化版睡眠分期预测器，实现实时睡眠分期预测。
04
临床验证与应用部署
研究在3030夜内部测试集和645夜外部数据集进行全面验证。模型在不同性别、年龄组、体重指数及合并症人群中均保持稳定性能。在高血压、肺部疾病患者中准确率无显著下降，在帕金森病患者中因样本量有限需进一步验证。
图4：睡眠参数估计的性能评估a–g 展示内部数据集（n=3030 个夜晚）、ClinHuaiAn 数据集（n=424 个夜晚）和 ClinRadar 数据集（n=221 个夜晚）中，各项睡眠参数（总睡眠时间TST、睡眠效率 SE、入睡潜伏期 SOL、夜间清醒时间 WASO，以及浅睡眠、深睡眠和快速眼动睡眠 REM 的占比）实际值与预测值的对比。
团队开发了物联网睡眠管理平台，集成毫米波雷达传感器、MQTT数据传输协议和云端分析系统。平台支持实时睡眠监测、AHI自动计算和远程报告查看，为基层医疗机构提供可扩展的睡眠健康解决方案。
典型案例显示，平台成功识别重度睡眠呼吸暂停患者，AHI 56.73，经持续气道正压通气治疗后降至7.38。该案例证明系统在筛查、诊断与疗效评估中的临床应用价值。
图5：远程睡眠管理平台架构。平台的端到端架构，涵盖数据采集、处理与分发全流程。核心组件包括用于非接触式数据采集的雷达传感器、实现高效数据传输的消息队列遥测传输（MQTT）代理、负责计算与存储的云服务器，以及供临床医生和患者使用的用户界面——二者可分别获取实时及历史睡眠健康观察。
05
总结与展望
ResSleepNet实现了基于单一呼吸信号的睡眠分期与AHI估计，并通过迁移学习将其成功应用于雷达传感系统，构建了一套完整的非接触式远程睡眠健康管理平台。多维评估表明，该框架在不同年龄、性别、体重指数及常见合并症人群中均表现出良好的鲁棒性。尽管研究团队在模型泛化性与临床应用方面取得了显著进展，仍存在一些局限性与未来研究方向：
1.数据覆盖范围的扩展：当前模型训练所使用的多中心数据集虽已涵盖不同地域与族群，但对特定亚群体（如儿童、罕见疾病患者）的适用性仍需进一步验证。未来将通过纳入更广泛人群数据，增强模型在特殊人群中的表现。
2.算法部署与隐私保护：在实际部署中，数据隐私与算法公平性是关键挑战。后续研究将探索联邦学习等隐私计算技术，在保障数据安全的前提下实现模型优化与协同训练，确保算法在不同群体中的公平性。
3.系统可扩展性与跨学科合作：为推动睡眠健康管理的全球化应用，后续可以在更广泛地域开展多中心临床研究，通过数据共享与跨学科协作，持续提升模型的通用性与鲁棒性，构建覆盖全人群的智能睡眠健康生态系统。
▼参考资料
Zhuang, Z., Xue, B., An, Q. et al. Advancing sleep health equity through deep learning on large-scale nocturnal respiratory signals. Nat Commun 16, 9334 (2025). https://doi.org/10.1038/s41467-025-64340-y
END
撰文 | 姜坤元 姜泽坤
编辑 | 吴苡齐
审核 | 医工学人理事会
扫码加入医工学人，进入综合及细分领域群聊，
参与线上线下交流活动
推荐阅读
Nature Electronics | 加州大学洛杉矶分校研发柔软眼睑传感器，可高精度实时解码疲劳程度
Microsyst. Nanoeng. | 电子科技大学团队研发“自供电”智能皮肤贴片闭环治疗特应性皮炎
点击关注医工学人
扫一扫
3634
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
