Deep Learning Approaches for Sleep Apnea Classification from Polysomnographic EEG Signals

想象一下，你的大脑就像一座繁忙的城市，每到夜晚，它就会从喧闹的白日集市切换到一个安静、有序的图书馆。这就是睡眠。但有时，一个被称为“睡眠呼吸暂停”的隐形入侵者会闯入这场派对。它就像一条沉重的毯子，不断地盖住城市的主要通风口，导致氧气供应在几秒钟内被切断。每当这种情况发生时，大脑就会陷入恐慌，猛然惊醒以喘息空气，然后试图重新入睡。这种现象周而复始，将一个宁静的夜晚变成了一系列微小的、充满压力的紧急状态。

为了抓住这个入侵者，医生通常会派遣一支“睡眠侦探队”前往实验室。他们会将你连接到一台名为多导睡眠图（polysomnograph）的大型机器上，记录从心率到呼吸的一切信息。但问题在于：必须有一位人类专家坐在那里，连续数小时盯着屏幕上的波浪线，并手动对每一个分钟进行评分。这项工作缓慢、昂贵且令人疲惫。最近，科学家们开始发问：“我们能否教计算机来完成这项工作？”具体来说，计算机能否观察大脑的电信号（EEG）——即城市的无线电波——并在不需要人类整夜盯着屏幕的情况下，识别出由呼吸道阻塞引起的“恐慌攻击”？这正是这篇论文研究的核心驱动力。

大脑的无线电与计算机侦探

在这项研究中，东北大学的研究人员决定构建一个超级聪明的计算机侦探，专门用于识别儿童的睡眠呼吸暂停。他们不仅使用了一种技巧，而是尝试了四种不同的方法，将大脑杂乱的无线电信号转化为计算机能理解的语言。把原始的大脑信号想象成一场混乱的静电风暴。团队尝试了四种不同的方式来清理这场风暴：

1. 原始风暴： 他们直接将原始电波按其发生的原样输入计算机。
2. 声波图谱： 他们将信号转化为谱图（spectrogram），这就像是一张显示频率随时间变化的视觉地图，展示了大脑的“音乐”是如何变化的。
3. 友谊图谱： 他们观察了大脑不同区域之间是如何“交流”的。如果两个大脑区域同步律动，它们之间就会画一条线。这创造了一个连接网络，或者说是一个图（graph）。
4. 形状侦探（TDA）： 这是他们的秘密武器。他们使用了一种高级数学工具——拓扑数据分析（TDA）。想象一下观察一团点云，并询问：“这个形状有洞吗？它有环吗？”这种方法忽略了具体的数值，转而观察数据连接的整体“形状”。

为了测试这些方法，他们使用了来自 3,984 项睡眠研究的数据，涉及 3,673 名儿童。他们将孩子们分为两组：一组是包含 2,410 名受试者的训练组，用于教导计算机；另一组是包含 575 名受试者的测试组，用于观察计算机是否真的能独立解开谜题。至关重要的是，他们确保了训练组和测试组在年龄和性别比例上完全一致，这样计算机就不会通过死记硬背特定儿童的信息来“作弊”。

结果：形状胜出，但尚未完美

当计算机完成它的作业时，结果既让人感到“哇！”，也让人觉得“嗯，还没完全到位”。

明显的赢家是结合了视觉 Transformer（一种通常用于图像处理的 AI，但在这里被改编用于处理脑电波）的形状侦探（TDA）。这一组合实现了名为 AUC 的得分，分数为 0.750。在医学检测领域，这是一个稳健的“B”级成绩，但还达不到“A”。这意味着计算机的表现优于抛硬币随机猜测，但它仍然会犯错。

有趣的是，观察友谊图谱的方法（使用图注意力网络）以 0.748 的 AUC 紧随其后。这里很酷的一点是，这个图模型非常微小，与其它模型相比，它减少了 96.8% 的参数（即 AI 的“脑细胞”），但表现却几乎同样出色。这表明，通过显式地教导计算机大脑各部分如何连接，是一种比让庞大的 AI 自己去猜测连接关系更高效的学习方式。

另一方面，原始风暴方法（仅输入原始信号）表现最差，AUC 仅为 0.639。这告诉我们，仅仅把原始数据丢给强大的 AI 是不够的；你必须先对数据进行整理。此外，在形状侦探中加入额外的数学细节（结合另一种称为 AP-FAPC 的方法）实际上让情况变得稍微变糟了，得分降至 0.740。这似乎说明，有时候“少即是多”，过多的复杂性只会引入噪音。

“谁”以及“何时”很重要

研究人员不仅看了平均分，还深入挖掘了计算机擅长识别“谁”以及在“何时”识别。

• 男孩 vs 女孩： 计算机在识别女孩的呼吸暂停方面表现得比男孩更稳定。这并不是因为女孩的数据更多，因为两组数据是平衡的。作者认为，这可能意味着大脑对睡眠呼吸暂停的反应在男女之间存在差异，或者信号看起来有所不同。
• 年龄： 计算机在 2 到 6 岁 以及 13 到 18 岁 的儿童身上表现最吃力。它在 8 岁和 10 岁 左右的孩子身上表现最好。
• 严重程度： 计算机在识别健康儿童（无呼吸暂停）和轻度病例方面表现出色，但在面对中度和重度病例时会感到困惑。事实上，对于最严重的病例，性能并没有提升，而是停留在与中度病例相同的水平。
• 睡眠阶段： 这是一个重大发现。当孩子处于浅睡期（N1 和 N2 阶段）或清醒状态时，计算机能很好地识别呼吸暂停，但在深睡期（N3 阶段）表现得很糟糕。
  • 在浅睡期，计算机非常敏感（几乎能捕捉到所有情况），但特异性较低（即在没有威胁时也会误报）。
  • 在深睡期，情况正好相反：它很少误报，但一旦报警，通常也是准确的。

这意味着什么？

作者指出，计算机实际上并不是在检测“窒息”本身。相反，它是在检测由于窒息导致大脑醒来时产生的**“恐慌”**。在浅睡期，大脑很容易被唤醒，所以计算机能看到清晰的信号。在深睡期，大脑处于深度睡眠状态，即使呼吸道被堵塞，大脑也可能不会醒来，因此计算机会错过它。

这项研究表明，我们正在接近一种仅通过脑电波实现自动化筛查睡眠呼吸暂停的方法，并且观察大脑连接的“形状”是一个非常有前景的路径。然而，作者谨慎地表示，这项技术尚未准备好进入诊室。其表现因儿童的年龄、性别以及睡眠深度而异。在这一技术投入实际应用之前，我们需要弄清楚如何使其对每个人都公平，并使其在深度睡眠中依然保持准确。目前，这是一个引人入胜的概念验证，它暗示着大脑电信号的“形状”正是解开睡眠呼吸暂停之谜的关键。