IEEE TIM | ASTGSleep: 基于注意力机制的时空图网络在睡眠分期中的应用

论文概要

该研究的主要贡献如下：

1. 提出了ASTGSleep：一个基于注意力机制的时空图网络睡眠分期模型，用于准确的自动睡眠分期分类。

2. 提出时空图融合架构：通过整合时间图构建和特征提取模块(TGFEM)，有效解决了传统图卷积网络对通道数量要求高的限制，增强了对睡眠阶段转换的敏感性。

3. 多维融合模块创新：设计了多维融合模块(MDFM)，通过图注意力网络(GAT)优化和融合时空特征，提高了睡眠分期的准确性和鲁棒性。

4. 广泛验证与优异性能：在多个数据集上验证了模型的有效性，包括MASS-SS3(26通道，87.0%)、SleepEDF-20(3通道，86.5%)以及睡眠障碍数据集CAP(81.4%)和临床REM睡眠行为障碍数据集CZ-RBD(82.7%)。

研究背景

睡眠分期对于诊断和治疗睡眠障碍至关重要。传统的睡眠分期需要通过多导睡眠图（PSG）信号的人工视觉检查来完成，这一过程既耗时又劳动密集。现有深度学习方法的局限性：

1. CNN和RNN局限：当前基于CNN和RNN的自动睡眠分期方法主要关注频率变化和时序模式，但在处理复杂的多通道、多模态信号时存在容量限制。

2. 图卷积网络的挑战：虽然GCN在睡眠分期中显示出优势，但现有的基于GCN的方法通常需要大量信号通道，且在捕获时间相关性方面存在不足。

3. 睡眠障碍患者的复杂性：对于患有睡眠障碍的患者，病情的复杂性（如睡眠结构紊乱和相关生理异常）往往需要分析来自多个脑区和不同模态的信号。

方法

ASTGSleep模型基于图神经网络（GNN）框架，由四个主要组件构成：

1. 模型架构概述

ASTGSleep模型采用四个核心模块协同工作的设计理念。

图1 ASTGSleep架构图

首先，DE-PSD模块作为预处理单元，对原始PSG信号进行差分熵-功率谱密度变换，有效提取信号的复杂性和时频特征。DE的计算公式为：

其中σ²是信号的方差。接着，SGFEM模块专门负责空间图构建和特征提取，用于捕获不同脑区间的空间关系和相互作用。与此同时，TGFEM模块专注于时间维度的图构建和特征提取，建模时间序列中的动态依赖关系。最后，MDFM作为核心融合单元，通过图注意力网络将时空特征进行深度融合，形成完整的睡眠分期表示。

2. 空间图构建机制

空间图构建采用自适应学习策略，如图2所示的模型学习空间图过程。通过初始化权重向量w₀来动态构建邻接矩阵SG，这种方法避免了依赖先验知识或手工定义的邻接矩阵的局限性。空间图的邻接矩阵构建公式为：

模型利用空间注意力机制自动识别和提取不同脑区的重要空间动态特征，能够根据不同睡眠阶段的特点调整关注重点。为了处理空间节点间的局部连接关系，系统采用Chebyshev图卷积技术，这种方法能够有效捕获K-1阶邻域内的空间依赖关系，同时保持计算效率。

图2 模型学习空间图

3. 时间图构建与BiLSTM融合

时间图构建模块专门设计用于捕获不同时间片段间的复杂相关性，通过构建时间邻接矩阵来表示睡眠epoch之间的动态关系。如图3所示的时间特征提取流程图，模型集成了双向LSTM网络来增强时间特征的表示能力，这种设计能够同时利用过去和未来的时间信息，提供更加全面的双向时序分析。此外，时间注意力机制的引入使模型能够自适应地学习相邻睡眠阶段之间的特征依赖关系，特别是在睡眠状态转换的关键时刻，能够更好地捕获过渡特征。

图3 时间特征提取流程图

4. 多维融合创新

多维融合模块通过精心设计的点积操作实现时空特征的有效整合，首先对时空图学习矩阵进行矩阵变换和点积操作，生成包含丰富交互信息的复合特征表示。随后，图注意力网络发挥核心作用，通过GAT机制对复合矩阵进行重新加权和深度学习，实现了跨传感器时间交互的精准建模。为了进一步提升特征表示的丰富性，系统采用多头注意力策略，能够并行学习不同时间周期下的多个隐藏子空间依赖关系，从而构建更加全面和鲁棒的睡眠分期特征表示。

结果                    

1. 与现有方法的性能对比

在四个数据集（MASS-SS3、SleepEDF-20、CAP和CZ-RBD）上的实验结果显示ASTGSleep具有显著优势，具体的性能对比结果如下方表格表1所示。ASTGSleep在健康人群数据集上与当前SOTA方法性能相当，而在睡眠障碍相关数据集上表现更为出色，超越了所有基准方法。

表1 四个不同数据集上的实验结果

2. 核心技术优势验证

通道数量适应性实验表明，ASTGSleep在不同通道数量（3-26个通道）的数据集上都展现出良好性能，有效解决了传统图神经网络方法对大量信号通道的依赖问题。时空特征融合的优势在于相比仅关注空间或时间关系的方法，ASTGSleep的时空融合显著提升了分类精度。此外，在CAP和CZ-RBD等复杂临床数据上的出色表现证明了模型的强大泛化能力和在睡眠障碍诊断场景中的应用价值。

3. 消融实验分析

为验证各模块的有效性，进行了详细的消融实验，结果如下方表格表2所示。实验结果表明，DE-PSD预处理显著提高了数据质量，SGFEM和TGFEM的组合优于单独使用任一模块。MDFM多维融合模块进一步提升了性能，特别是在跨传感器时间交互建模方面发挥了关键作用。有趣的是，空间信息比时间信息更为关键，但两者结合的效果最佳。

表2 消融实验结果

4. 计算效率评估

相比其他图基方法，ASTGSleep具有更好的计算效率。通过采用稀疏邻接矩阵设计，有效减少了冗余连接，优化了计算成本。同时，图学习模块经过精心优化以最小化计算冗余，在保持竞争性能的同时实现了计算效率的显著提升。

结论

ASTGSleep通过创新的时空图网络架构，有效突破了传统图卷积网络对大量信号通道的依赖限制，仅需3-26个通道即可实现优异的睡眠分期性能，避免了复杂多模态预处理的成本和信息损失。该模型通过TGFEM和MDFM模块的协同作用，在空间和时间维度上精确捕获脑电信号的动态特征，特别是在睡眠状态转换的关键时刻（如W到N1、N2到N3的过渡阶段）表现出卓越的敏感性。更重要的是，ASTGSleep在复杂的临床睡眠障碍数据（CAP和CZ-RBD）上展现出强大的泛化能力，超越了现有的基准方法，为临床自动睡眠分期诊断提供了高效可靠的解决方案，在实际医疗应用场景中具有巨大的部署潜力。