Mamba-based Deep Learning Approach for Sleep Staging on a Wireless Multimodal Wearable System without Electroencephalography
作者: Andrew H. Zhang, Alex He-Mo, Richard Fei Yin, Chunlin Li, Yuzhi Tang, Dharmendra Gurve, Veronique van der Horst, Aron S. Buchman, Nasim Montazeri Ghahjaverestan, Maged Goubran, Bo Wang, Andrew S. P. Lim
分类: q-bio.QM, cs.LG
发布日期: 2024-12-20 (更新: 2025-11-25)
备注: 40 pages, 24 figures. Authors Andrew H. Zhang, Alex He-Mo, and Richard Fei Yin contributed equally
💡 一句话要点
提出基于Mamba的深度学习方法，利用可穿戴设备多模态数据实现无脑电睡眠分期
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 睡眠分期 Mamba模型 可穿戴设备 多模态融合 深度学习 生理信号处理 无脑电
📋 核心要点
- 传统睡眠分期依赖脑电图，设备复杂且佩戴不便，限制了其在日常场景中的应用。
- 论文提出基于Mamba序列模型的睡眠分期方法，利用可穿戴设备的多模态生理信号，无需脑电图即可实现准确分期。
- 实验结果表明，该方法在3/4/5类睡眠分期任务上均取得了较好的性能，验证了其有效性。
📝 摘要（中文）
本研究探索了一种基于Mamba的深度学习方法，用于利用ANNE One（Sibel Health）无线可穿戴系统的信号进行睡眠分期。该系统包含胸部心电图（ECG）、三轴加速度计、胸部温度、手指光电容积脉搏波和手指温度传感器。我们从357名接受多导睡眠监测（PSG）的成年人处获取了可穿戴传感器记录。每个PSG记录都经过手动评分，这些注释作为我们模型训练和评估的ground truth标签。使用ECG通道自动对齐PSG和可穿戴传感器数据，并通过目视检查进行手动确认。我们使用这些记录训练了一个基于Mamba的循环神经网络架构，并对具有相似架构的模型变体进行了集成。集成后，该模型在3类（清醒、非快速眼动睡眠[NREM]、快速眼动睡眠[REM]）平衡准确率为84.02%，F1分数为84.23%，Cohen's $κ$为72.89%，Matthews相关系数（MCC）为73.00%；在4类（清醒、浅NREM [N1/N2]、深NREM [N3]、REM）平衡准确率为75.30%，F1分数为74.10%，Cohen's $κ$为61.51%，MCC为61.95%；在5类（清醒、N1、N2、N3、REM）平衡准确率为65.11%，F1分数为66.15%，Cohen's $κ$为53.23%，MCC为54.38%。结论是，我们基于Mamba的深度学习模型可以成功地从ANNE One（一种没有脑电图（EEG）的可穿戴系统）推断出主要的睡眠阶段，并且可以应用于来自三级睡眠诊所的成年人的数据。
🔬 方法详解
问题定义：论文旨在解决在没有脑电图（EEG）的情况下，如何仅利用可穿戴设备采集的多模态生理信号进行准确的睡眠分期。现有方法依赖于脑电图，设备复杂且佩戴不舒适，限制了其在家庭和日常环境中的应用。因此，开发一种非侵入式、基于可穿戴设备的睡眠分期方法具有重要意义。
核心思路：论文的核心思路是利用Mamba序列模型强大的序列建模能力，从可穿戴设备采集的心电图（ECG）、加速度计、温度和光电容积脉搏波（PPG）等多模态生理信号中提取有效的睡眠阶段特征。Mamba模型能够有效地捕捉时间序列中的长期依赖关系，这对于睡眠分期至关重要。
技术框架：整体框架包括数据预处理、模型训练和模型集成三个主要阶段。首先，对从ANNE One可穿戴设备采集的多模态生理信号进行预处理，包括数据清洗、噪声去除和标准化。然后，使用预处理后的数据训练基于Mamba的循环神经网络模型。最后，通过集成多个具有相似架构的模型变体来提高模型的鲁棒性和泛化能力。数据对齐通过ECG通道自动对齐PSG和可穿戴传感器数据，并通过目视检查进行手动确认。
关键创新：该论文的关键创新在于将Mamba序列模型应用于无脑电图的睡眠分期任务。Mamba模型相比于传统的循环神经网络（RNN）和Transformer模型，具有更强的序列建模能力和更高的计算效率，能够更好地处理长时间序列的生理信号。此外，论文还探索了多模态生理信号融合的方法，充分利用了可穿戴设备提供的丰富信息。
关键设计：模型采用基于Mamba的循环神经网络架构，具体结构未知。论文提到使用了模型集成的方法，将多个具有相似架构的模型变体进行集成，以提高模型的性能。损失函数和优化器等技术细节未知。
🖼️ 关键图片
📊 实验亮点
实验结果表明，基于Mamba的深度学习模型在3类睡眠分期任务中取得了84.02%的平衡准确率，72.89%的Cohen's Kappa系数和73.00%的MCC。在4类和5类睡眠分期任务中，该模型也取得了显著的性能，分别达到了75.30%和65.11%的平衡准确率。这些结果表明，该模型能够有效地从可穿戴设备的多模态生理信号中推断出主要的睡眠阶段。
🎯 应用场景
该研究成果可应用于家庭睡眠监测、远程医疗、慢性疾病管理等领域。通过可穿戴设备进行无脑电睡眠分期，可以降低睡眠监测的成本和复杂性，提高用户体验，并为个性化睡眠干预提供数据支持。未来，该技术有望应用于大规模人群的睡眠健康研究和管理。
📄 摘要（原文）
Study Objectives: We investigate a Mamba-based deep learning approach for sleep staging on signals from ANNE One (Sibel Health, Evanston, IL), a non-intrusive dual-module wireless wearable system measuring chest electrocardiography (ECG), triaxial accelerometry, and chest temperature, and finger photoplethysmography and finger temperature. Methods: We obtained wearable sensor recordings from 357 adults undergoing concurrent polysomnography (PSG) at a tertiary care sleep lab. Each PSG recording was manually scored and these annotations served as ground truth labels for training and evaluation of our models. PSG and wearable sensor data were automatically aligned using their ECG channels with manual confirmation by visual inspection. We trained a Mamba-based recurrent neural network architecture on these recordings. Ensembling of model variants with similar architectures was performed. Results: After ensembling, the model attains a 3-class (wake, non rapid eye movement [NREM] sleep, rapid eye movement [REM] sleep) balanced accuracy of 84.02%, F1 score of 84.23%, Cohen's $κ$ of 72.89%, and a Matthews correlation coefficient (MCC) score of 73.00%; a 4-class (wake, light NREM [N1/N2], deep NREM [N3], REM) balanced accuracy of 75.30%, F1 score of 74.10%, Cohen's $κ$ of 61.51%, and MCC score of 61.95%; a 5-class (wake, N1, N2, N3, REM) balanced accuracy of 65.11%, F1 score of 66.15%, Cohen's $κ$ of 53.23%, MCC score of 54.38%. Conclusions: Our Mamba-based deep learning model can successfully infer major sleep stages from the ANNE One, a wearable system without electroencephalography (EEG), and can be applied to data from adults attending a tertiary care sleep clinic.