基于深度学习的睡眠自动评估研究文献综述

开题报告内容：（包括课题意义、国内外进展情况、国内外已有研究方法、研究思路）

研究背景及意义

睡眠是机体复原和巩固的重要环节，是健康不可缺少的组成部分。人的一生中，睡眠占据了大约 1/3 的时间。良好的睡眠是机体保持健康的基础，有效的睡眠能够消除身体和大脑的疲劳，提高记忆力和学习效率，促进身体的成长发育以及防止老化。随着现代工业的飞速发展，人们的生活压力逐渐增大，越来越多人受到睡眠障碍的折磨，例如：失眠、嗜睡和睡眠呼吸暂停综合征等；此外，许多心血管疾病及精神疾病（如高血压^[1]、冠心病^[2]、心率失常^[3]、抑郁^[4]等）也与睡眠密不可分。由此可见，及早发现、诊断和治疗睡眠障碍已经成为了刻不容缓的研究课题。基于上述原因，基于脑电信号深度学习研究睡眠分期的意义主要如下：

（一）诊断和治疗睡眠相关疾病

睡眠分期，是研究睡眠结构的基础，是完成睡眠质量评估的前提。通过对睡眠结构的研究，发现睡眠问题症结所在，是诊断和治疗睡眠相关疾病的关键环节。2014年世界卫生组织调查显示：在世界范围内27％的人有睡眠障碍，其中在中国有近3亿人失眠，约2亿人打鼾，5000 万人在睡眠过程中发生过呼吸暂停^[5]。随着现代工业的飞速发展，人们的生活压力逐渐增大，越来越多人受到睡眠障碍的折磨，例如：失眠、嗜睡和睡眠呼吸暂停综合征等。因此，睡眠分期的研究具有重大的现实意义。

（二）使睡眠监测变得简单易行

传统的睡眠监测对医生的技术有较高的要求，并且需要大量的人力消耗，监测结果也容易受到医生的主观判断的影响。基于脑电信号深度学习研究睡眠分期使用脑电信号可以在不同睡眠阶段表现出不同的特征，作为人体在不同睡眠阶段的标志，从而实现睡眠自动分期，去除监测结果的主观误差。并且随着可穿戴设备的发展，再辅以无线、蓝牙传输的单导联EEG信号采集系统^[6]，则可以极大程度上减少采集系统对受试者自然睡眠的干扰，从源头上减少睡眠分期的误差，使得睡眠监测变得简单易行。

当前研究技术及现状

近年来，研究者们提出了多种基于EEG分析的睡眠自动分期方法，极大地推动了睡眠智能评估的进展。这些自动分期方法通常先从EEG提取多个特征，再通过机器学习算法进行分类；而对EEG信号的特征提取，常常采用基于时域分析、频域分析和非线性动力学分析等方法。

以将睡眠划分为觉醒期、浅睡期、深睡期和快速眼动期四个类别为例，表1中列出了迄今为止被报道的、基于单导联EEG的睡眠自动分期方法的实施细节以及分期结果。从表1中可以看出，目前的研究仍是基于传统的机器学习算法，例如随机森林、支持向量机等，其分类结果非常依赖于人为提取的EEG特征参数。

表1基于单导联EEG的睡眠自动分期方法研究综述