ULW-SleepNet: An Ultra-Lightweight Network for Multimodal Sleep Stage Scoring

📄 arXiv: 2602.23852v1 📥 PDF

作者: Zhaowen Wang, Dongdong Zhou, Qi Xu, Fengyu Cong, Mohammad Al-Sa'd, Jenni Raitoharju

分类: cs.LG, eess.SP

发布日期: 2026-02-27

备注: Accepted to ICASSP 2026

🔗 代码/项目: GITHUB

💡 一句话要点

提出ULW-SleepNet超轻量级网络，用于多模态睡眠分期评分。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 睡眠分期 多模态学习 轻量级网络 深度可分离卷积 生理信号处理

📋 核心要点

  1. 现有睡眠分期模型计算量大，且主要针对单通道脑电信号，难以有效处理多模态生理数据。
  2. ULW-SleepNet通过双流可分离卷积、深度可分离卷积等技术，在保证精度的同时显著降低计算复杂度。
  3. 实验表明，ULW-SleepNet在两个公开数据集上取得了有竞争力的精度，参数量大幅减少。

📝 摘要（中文）

本文提出了一种超轻量级多模态睡眠分期评分框架ULW-SleepNet，旨在高效地整合来自多个生理信号的信息。现有的深度学习模型计算量大，且多为单通道脑电图（EEG）设计，限制了其在多模态多导睡眠图（PSG）数据上的应用。ULW-SleepNet 包含一个新颖的双流可分离卷积（DSSC）块、深度可分离卷积、通道参数共享和全局平均池化，以减少计算开销，同时保持具有竞争力的准确性。在 Sleep-EDF-20 和 Sleep-EDF-78 数据集上的评估结果表明，ULW-SleepNet 分别实现了 86.9% 和 81.4% 的准确率，参数量仅为 13.3K，计算量为 7.89M FLOPs。与最先进的方法相比，我们的模型在性能损失很小的情况下，参数量减少了高达 98.6%，展示了其在可穿戴和物联网设备上进行实时睡眠监测的强大潜力。该研究的源代码已在 https://github.com/wzw999/ULW-SLEEPNET 上公开。

🔬 方法详解

问题定义：论文旨在解决多模态睡眠分期评分中现有深度学习模型计算量大、参数量高，难以部署在资源受限设备上的问题。现有方法通常针对单通道脑电信号设计，无法有效利用多导睡眠图（PSG）中的多种生理信号，导致性能受限。

核心思路：论文的核心思路是设计一个超轻量级的网络结构，通过减少参数量和计算量，实现在资源受限设备上的实时睡眠监测。该网络通过高效地整合来自多个生理信号的信息，在保证精度的前提下，显著降低模型的复杂度。

技术框架：ULW-SleepNet 整体框架包含数据输入层、特征提取层和分类层。特征提取层是核心，由多个 Dual-Stream Separable Convolution (DSSC) 块组成，用于提取多模态生理信号的特征。分类层使用全局平均池化和全连接层进行睡眠分期预测。

关键创新：论文的关键创新在于提出了 Dual-Stream Separable Convolution (DSSC) 块。DSSC 块利用深度可分离卷积和通道参数共享机制，在减少参数量的同时，能够有效地提取多模态生理信号的特征。与传统的卷积操作相比，DSSC 块显著降低了计算复杂度。

关键设计：DSSC 块包含两个分支，分别处理不同类型的生理信号。深度可分离卷积用于减少每个分支的参数量。通道参数共享机制进一步降低了模型的复杂度。全局平均池化用于将特征图转换为固定长度的向量，然后通过全连接层进行分类。损失函数采用交叉熵损失函数，优化器采用Adam。

🖼️ 关键图片

fig_0

📊 实验亮点

ULW-SleepNet 在 Sleep-EDF-20 和 Sleep-EDF-78 数据集上分别取得了 86.9% 和 81.4% 的准确率。更重要的是，该模型仅有 13.3K 个参数和 7.89M FLOPs。与现有最先进的方法相比，ULW-SleepNet 在性能损失很小的情况下，参数量减少了高达 98.6%，计算量也显著降低。

🎯 应用场景

ULW-SleepNet 的超轻量级设计使其非常适合部署在可穿戴设备和物联网设备上，实现实时的睡眠监测和分析。这对于早期诊断睡眠障碍、个性化睡眠干预以及改善用户睡眠质量具有重要意义。该研究成果还可以应用于远程医疗和智能家居等领域，为用户提供更加便捷和智能的健康管理服务。

📄 摘要（原文）

Automatic sleep stage scoring is crucial for the diagnosis and treatment of sleep disorders. Although deep learning models have advanced the field, many existing models are computationally demanding and designed for single-channel electroencephalography (EEG), limiting their practicality for multimodal polysomnography (PSG) data. To overcome this, we propose ULW-SleepNet, an ultra-lightweight multimodal sleep stage scoring framework that efficiently integrates information from multiple physiological signals. ULW-SleepNet incorporates a novel Dual-Stream Separable Convolution (DSSC) Block, depthwise separable convolutions, channel-wise parameter sharing, and global average pooling to reduce computational overhead while maintaining competitive accuracy. Evaluated on the Sleep-EDF-20 and Sleep-EDF-78 datasets, ULW-SleepNet achieves accuracies of 86.9% and 81.4%, respectively, with only 13.3K parameters and 7.89M FLOPs. Compared to state-of-the-art methods, our model reduces parameters by up to 98.6% with only marginal performance loss, demonstrating its strong potential for real-time sleep monitoring on wearable and IoT devices. The source code for this study is publicly available at https://github.com/wzw999/ULW-SLEEPNET.