利用机器学习从心电图（ECG）中分类睡眠阶段：评估信号持续时间的影响

　　睡眠阶段分类基于单导ECG信号的研究发现，采用HRV和Poincaré plot特征结合神经网络、KNN、XGBoost及随机森林算法，5分钟信号窗口的神经网络模型准确率达67%，而30秒窗口的模型性能显著下降。随机森林算法在多场景下表现最稳定，但所有模型在区分N1（浅睡）和N3（深睡）等过渡阶段时存在困难。研究表明，较长的ECG窗口和丰富的特征工程可提升分类效果，但单导ECG在实时穿戴设备中的应用仍面临挑战。

　　
这篇研究专注于利用单通道心电图（ECG）信号进行睡眠阶段分类，旨在为可穿戴设备开发提供理论支持。通过对比不同时间窗口（5分钟与30秒）和机器学习模型（神经网络、KNN、XGBoost、随机森林），研究揭示了ECG信号在睡眠监测中的潜力与局限。

### 核心发现
1. **时间窗口的关键作用**
- **5分钟窗口**：使用ECG提取HRV和Poincaré图特征，神经网络模型准确率达67%。较长的信号窗口能够捕捉更稳定的生理波动，如深睡眠（N3）阶段的副交感神经主导特征。
- **30秒窗口**：缩短至30秒后，所有模型准确率骤降（神经网络仅40%）。短时信号丢失了深层次的心率变异性模式，导致N1（浅睡）、N3（深睡）等阶段的区分困难。

2. **模型性能对比**
- **随机森林**：在所有实验中表现最稳定，尤其在处理类别不平衡时优势显著。例如，在MIT-BIH数据集上，随机森林对N2（中间睡眠）的识别率达51%，而神经网络仅32%。
- **神经网络**：在5分钟窗口下表现最佳（67%），但在30秒窗口下受限于信号完整性，准确率波动较大（40%-48%）。深度学习模型对过渡阶段（如N1与N2）的敏感性不足。
- **传统机器学习**：KNN和XGBoost在短时信号下表现不佳。KNN对N1的分类准确度不足30%，XGBoost因高方差导致性能不稳定。

3. **特征工程的优化效果**
- **基础特征**：包括HRV的SDRR（标准差）、RMSSD（相邻RR间隔差值）等11项统计指标，对N3和REM阶段的区分度较高。
- **增强特征**：通过Poincaré图几何特征（如椭圆面积、矩形参数）和Co-Occurrence矩阵（COM）构建的衍生特征（如CP_p、CP_n），显著提升了短时信号的信息密度。例如，COM特征使KNN在MIT-BIH数据集上准确率从27.6%提升至34.8%。
- **多阶特征交互**：采用特征乘积（如SD1×SD2）扩展特征空间，虽增加维度，但通过相关性筛选将冗余特征减少30%，有效降低过拟合风险。

4. **临床适用性分析**
- **N1（浅睡）与N2（中间睡眠）**：两类阶段在HRV特征上重叠度高，短时信号下所有模型均难以区分（N1召回率不足20%）。
- **N3（深睡）与REM（快速眼动）**：深睡眠的副交感神经激活和REM的交感神经波动可通过SDRR、RMSSD等指标有效捕捉，随机森林的F1-score分别达到45%和36%。
- **实时监测可行性**：30秒窗口的模型（如随机森林48%准确率）虽低于临床标准（>90%），但通过优化特征组合（如添加COM指标）和轻量化模型设计，可满足初步筛查需求。

### 技术突破与局限
- **创新点**：
首次系统验证了ECG信号在5分钟窗口下对五阶段睡眠分类的可行性，提出“短时信号+几何特征增强”的工程方案。例如，Poincaré椭圆面积（S）与N3阶段的分类关联度达0.45。

- **局限性**：
- **信号长度依赖性**：5分钟窗口的HRV方差是30秒窗口的3倍（p<0.0001），短时信号难以捕捉深层生理差异。
- **模型泛化性**：MIT-BIH数据集中N3分类准确率降至0.2，反映ECG对过渡阶段的表征不足。
- **设备兼容性**：需5分钟连续信号，与智能手表的实时监测模式冲突，需开发滑动窗口优化算法。

### 未来研究方向
1. **多模态融合**：结合PPG（血氧饱和度）或加速度计信号，构建“ECG+PPG+加速度”的轻量化特征集。参考Casal等人（90.13%准确率）的方法，通过PPG补充ECG的时序分辨率缺失。
2. **自适应窗口**：开发动态调整窗口长度的算法，在保持模型性能的同时降低数据采集需求。
3. **注意力机制优化**：引入Transformer架构，通过自注意力捕捉短时信号中的非线性依赖关系，如Ganglberger等（81%准确率）在呼吸与HRV融合中的应用。
4. **迁移学习策略**：针对医疗场景的数据稀缺问题，设计跨数据集的预训练模型，如基于MIT-BIH的联邦学习框架。

### 结论
本研究证实ECG信号在睡眠监测中的可行性，但需平衡信号长度与设备便携性。随机森林模型在30秒窗口下（48%准确率）已具备初级筛查价值，结合几何特征增强后，对N2和REM阶段的识别率提升至60%以上。建议后续研究采用“ECG+PPG”双模态输入，并开发轻量化模型以适应可穿戴设备算力限制。