🤖 AI

A Conflict-aware Evidential Framework for Reliable Sleep Stage Classification

本文介绍了 ConfSleepNet，这是一个冲突感知证据框架，它通过混合类别结构动态解决视图间冲突，并采用一种新颖的聚合方法来综合特定视图的意见，从而提升多模态睡眠分期分类的可靠性。

原作者： Yunzhi Tian, Dekui Wang, Qirong Bu, Wei Zhou, Xingxing Hao, Jun Feng

发布于 2026-05-19

📖 1 分钟阅读☕ 轻松阅读

原作者： Yunzhi Tian, Dekui Wang, Qirong Bu, Wei Zhou, Xingxing Hao, Jun Feng

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在试图判断一个人处于睡眠的哪个阶段。在现实世界中，医生通常会查看记录大脑的两台主要“摄像机”：一台观察脑电波（EEG），另一台观察眼球运动（EOG）。

通常情况下，这两台“摄像机”的结论完全一致。但有时，它们会出现分歧。也许脑电波显示此人处于清醒状态，但眼球运动却显示其处于深度睡眠中。或者，信号可能仅仅是嘈杂且令人困惑的。

问题所在：
大多数旨在完成此项工作的计算机程序都假设这两台“摄像机”始终意见一致。如果它们不一致，程序就会陷入混乱并做出错误的猜测。这就像一位法官聆听了两位讲述不同故事的证人，却在未意识到他们相互矛盾的情况下，仅仅凭猜测得出结论。

解决方案：ConfSleepNet
本文的作者构建了一个名为ConfSleepNet的新系统。你可以将其视为一位非常聪明且谨慎的法官，懂得如何处理相互矛盾的证词。以下是其工作原理的简单分解步骤：

1. “专业侦探”（混合类别）

ConfSleepNet 不强迫两台“摄像机”查看完全相同的 5 个睡眠阶段列表，而是让它们根据自身擅长之处进行 specialization（专业化）。

脑电波侦探（EEG）： 这位侦探擅长捕捉细微细节。它寻找所有 5 个具体阶段：清醒、浅睡、深睡、极深睡和快速眼动睡眠（REM，即做梦）。
眼球运动侦探（EOG）： 这位侦探对深睡的细微细节不太感兴趣，但却是识别“做梦”（REM）和“清醒”的专家。它只关注 3 个宽泛类别：清醒、做梦或“未做梦”（涵盖所有其他睡眠阶段）。

类比： 想象一下试图识别一种水果。一位专家是植物学家，能区分格兰尼史密斯苹果和富士苹果（细微差别）；另一位专家是通才，能轻松分辨某物是水果还是蔬菜（宽泛类别）。通过让它们发挥各自所长，系统能获得更可靠的证据。

2. 收集“证据”而非仅仅“猜测”

旧系统只是直接输出最终猜测（例如：“这是深睡”）。ConfSleepNet 则不同。它收集证据并计算不确定性。

它会问：“你有多确定？”
如果证据确凿，它会说：“我有 99% 的把握。”
如果信号嘈杂或令人困惑，它会说：“我只有 40% 的把握，而且我不自信。”

类比： 与其让证人只说“我看到了一辆红色的车”，不如让一位自信的证人说：“我看到了一辆红色的车，而且我 100% 确定。”而一位困惑的证人则会说：“那可能是红色的，也可能是橙色的，我不确定。”ConfSleepNet 会关注证人有多确定。

3. “冲突感知”会议（聚合）

这是最关键的部分。一旦这两名侦探（以及另外几名查看组合数据的侦探）给出各自的意见，它们就会召开会议以决定最终答案。

如果它们意见一致： 系统会结合它们的置信度。如果两者都有 90% 的把握，最终答案的置信度会变得更高。
如果它们意见不一致： 奇迹就发生在这里。如果脑电波侦探有 90% 的把握认为是“清醒”，而眼球侦探有 90% 的把握认为是“做梦”，系统就会意识到存在冲突。
- 系统不会忽略冲突或盲目地取平均值，而是会说：“嘿，这两个人在争执！这意味着我们正处于一个棘手的情况中。”
- 随后，它会增加最终决策的不确定性。它实际上是在说：“因为它们意见不一，我们无法 100% 确定答案。让我们更加谨慎一些。”

类比： 想象两个朋友正在决定去哪里吃饭。

场景 A： 两人都说：“披萨！”群体非常有信心应该吃披萨。
场景 B： 一个人说：“披萨！”而另一个人尖叫：“寿司！”普通群体可能会直接抛硬币决定。而 ConfSleepNet 则像一位明智的朋友，会说：“等等，你们俩完全意见不合。这意味着我们实际上还不知道自己想要什么。让我们暂停一下，不要仓促做决定。”

为什么这更好？

该论文在四个不同的公共数据集（真实睡眠记录的集合）上测试了此系统。

它击败了所有其他顶级方法（如 DeepSleepNet 和 XSleepNet）。
它在识别睡眠阶段转换的棘手时刻（例如从浅睡进入深睡）方面表现尤为出色，而这正是“摄像机”通常分歧最大的时候。
通过承认冲突而非忽视它，该系统减少了错误，变得更加可靠。

简而言之： ConfSleepNet 是一个不假装其所有传感器都意见一致的睡眠分期系统。当它们意见不一致时，它会承认不确定性，并调整其最终决策以使其更安全、更准确，就像一位优秀的人类专家那样。

技术摘要：面向可靠睡眠分期分类的冲突感知证据框架

问题陈述

自动睡眠分期分类是诊断睡眠障碍的关键任务，传统上由专家利用多导睡眠图（PSG）数据手动完成，该过程耗时且劳动密集。尽管机器学习模型加速了这一过程，但现有的多视图方法（利用 EEG 和 EOG 等多种模态）面临着严峻的可靠性挑战。大多数现有方法假设不同视图高度一致，并赋予它们固定或相等的权重。然而，在现实场景中，由于信号噪声、生理变异性或信号特征的固有差异，不同模态往往提供相互冲突的信息。现有方法通常无法检测或适当处理这些视图间冲突，导致分期可靠性受损。此外，标准深度学习模型即使在面对低质量或冲突数据时，也往往产生过度自信预测。

方法论：ConfSleepNet

作者提出了ConfSleepNet，这是一个冲突感知证据框架，旨在动态解决视图间冲突并生成可靠的联合决策。该框架在两个主要阶段运行：多视图证据提取和冲突感知聚合。

1. 基于混合结构的多视图证据提取

与传统方法对所有模态采用统一的五类分类结构不同，ConfSleepNet 通过混合类别结构利用 EEG 和 EOG 信号的生理互补性：

EEG 和多视图输入：通过证据深度神经网络（DNN）（ $f_1$ 和 $f_2$ ）处理，学习所有五个睡眠阶段（清醒、N1、N2、N3、REM）的细粒度证据。
EOG 输入：通过证据 DNN（ $f_3$ 和 $f_4$ ）处理，学习三个类别（清醒、REM 和合并的 NREM 阶段）的粗粒度证据。该设计承认 EOG 在识别 REM 方面特别有效，但相比 EEG，其对特定 NREM 亚阶段的区分能力较弱。

该架构采用具有不同核大小的并行卷积分支，辅以 GCNet-1D 注意力模块和交叉注意力机制，以捕捉时频特征和模态间交互。双向 LSTM 层对连续 epoch 间的阶段转换模式进行建模。

2. 证据映射

在融合之前，来自基于 EOG 网络的粗粒度证据向量（3 类）通过固定的证据映射层映射为细粒度向量（5 类）。该变换将合并的 NREM 类别的证据均匀分配给其子阶段（N1、N2、N3），同时保留清醒和 REM 的总证据量。

3. 冲突感知多视图聚合（CMAM）

核心创新在于聚合阶段，该阶段利用证据深度学习（EDL）和主观逻辑：

意见构建：每个视图的证据被转换为狄利克雷分布，生成包含信念质量（预测概率）和不确定性质量的“主观意见”。
冲突度量：一种新颖的度量基于信念质量的发散程度，量化任意两个意见之间的冲突程度。
聚合规则：该框架引入了一种**冲突感知多视图聚合（CMAM）**方法。与以往可能盲目地在添加一致视图时降低不确定性或未能考虑冲突的方法不同，CMAM 根据冲突程度明确调整最终联合意见：
- 一致视图：纳入一致意见可降低整体不确定性，增加置信度。
- 冲突视图：纳入具有高不确定性的冲突意见会增加联合决策的整体不确定性，从而有效降低不可靠视图的权重，而非强行达成共识。

4. 训练策略

该模型使用结合以下内容的损失函数进行联合训练：

准确率损失：鼓励真实类别的证据接近总证据量。
KL 散度：惩罚模型将高证据分配给错误类别的行为，鼓励对误分类样本的总证据量收缩（高不确定性）。使用退火系数逐渐增加 KL 项的权重，以防止过早收敛。

主要贡献

ConfSleepNet 框架：提出了一种证据框架，引入混合类别结构（EOG 为粗粒度，EEG 为细粒度），以促进差异化且符合生理学的证据学习。
冲突感知聚合：开发了一种新颖的聚合方法（CMAM），明确量化和管理视图间冲突。理论分析表明，该方法在视图一致时正确降低不确定性，在视图冲突时增加不确定性，解决了现有基于 EDL 的融合方法的局限性。
实证验证：在四个公共数据集（SleepEDF-20、SleepEDF-78、MASS-SS3 和 SHHS）上进行了广泛评估，结果显示其性能优于最先进基线，包括单视图、多视图和不确定性感知方法。

实验结果

论文报告称，ConfSleepNet 在所有测试数据集上均实现了最先进性能：

准确率和 F1 分数：ConfSleepNet 优于 DeepSleepNet、XSleepNet 以及当前不确定性感知的最先进方法 TMCEK 等基线。例如，在 SleepEDF-20 数据集上，其准确率达到 87.2%，宏观 F1 分数为 81.8%，在准确率上比次优方法高出 0.4% 至 2.0%。
特定阶段改进：该模型在分类 REM 和清醒阶段方面表现出显著改进，这两个阶段常因特征相似性而容易混淆。
消融研究：实验证实，混合类别结构和冲突感知聚合策略均至关重要。移除冲突感知机制（替换为平均融合）或使用统一类别结构会导致性能下降。
冲突分析：冲突程度的可视化显示，与稳定阶段相比，睡眠阶段转换期间（例如 N2 到 N3）的视图间冲突显著更高，验证了冲突感知机制的必要性。
泛化性：CMAM 方法也在通用多视图基准（HandWritten、Scene15、CUB、PIE）上进行了测试，始终优于其他证据和融合方法，表明其适用于睡眠分期以外的场景。

意义与主张

作者声称，ConfSleepNet 通过显式建模多模态生理数据中固有的不确定性和潜在冲突，提供了一种更稳健、更可靠的自动睡眠分期方法。

临床相关性：通过提高分期可靠性，特别是对于 REM 等临床关键阶段，该方法对自动化睡眠障碍诊断的实际应用具有积极意义。
理论严谨性：论文提供了理论证明，表明所提出的聚合方法满足“视图一致时降低不确定性、视图冲突时增加不确定性”的原则，这是现有融合技术常缺乏的特性。
通用效用：该框架在通用多视图数据集上的成功表明，冲突感知证据方法是处理涉及异构且潜在冲突数据源场景下可靠决策的通用解决方案。

该工作得出结论：通过基于冲突评估动态调整每个视图的重要性，ConfSleepNet 有效缓解了误导性预测的风险，为睡眠分期自动化迈出了重要一步。