睡眠作为人体不可或缺的生理过程，其质量直接关联到身心健康、认知功能与日间行为状态。而睡眠阶段的精准划分，是评估睡眠质量、诊断睡眠障碍的核心前提。传统睡眠阶段评分依赖人工分析多导睡眠图（PSG），不仅耗时费力、主观性强，还难以满足大规模睡眠监测的需求。在这样的背景下，睡眠阶段评分模型DeepSleepNet应运而生，以深度学习为核心驱动力，实现了睡眠阶段自动评分的突破性提升，为睡眠医学研究与临床应用开辟了全新路径。
一、研发背景
在DeepSleepNet出现之前，睡眠阶段评分主要依赖睡眠技术专家依据国际睡眠分期标准（如AASM标准），对PSG记录的脑电图（EEG）、眼电图（EOG）、肌电图（EMG）等多模态信号进行人工标注。这一过程存在诸多局限：其一，效率低下，一份8小时的PSG数据标注往往需要数小时，难以适配临床批量检测需求；其二，主观性强，不同专家对同一信号的判断可能存在差异，标注一致性难以保证；其三，依赖专业技能，培养具备合格标注能力的人员需要长期培训，在基层医疗场景中普及难度较大。
随着深度学习技术在信号处理领域的快速发展，基于神经网络的自动睡眠评分模型成为研究热点。但早期模型多采用单一尺度的网络结构，难以捕捉睡眠信号中不同时间尺度的特征------短时间尺度的EEG尖峰信号（如睡眠纺锤波）与长时间尺度的睡眠周期变化，均对阶段划分至关重要。DeepSleepNet正是针对这一核心痛点，通过创新的双分支网络架构，实现了对睡眠信号多尺度特征的高效提取，大幅提升了评分精度。
二、核心原理
DeepSleepNet的核心创新在于采用"浅层-深层双分支网络+注意力机制"的复合结构，专门针对睡眠信号的时序特性与多模态特征设计，其工作原理可分为信号预处理、特征提取、阶段分类三个关键环节。
1.信号预处理：为模型输入"净化数据"
睡眠信号易受工频干扰、肌电噪声、电极接触不良等因素影响，因此预处理是保证模型性能的基础。DeepSleepNet的预处理流程主要包括：首先对原始PSG信号进行滤波（如1-30Hz带通滤波），去除高频噪声与低频漂移；其次采用信号分段技术，将连续的睡眠信号按照AASM标准分割为30秒/段的"睡眠epoch"，每一段对应一个待评分的基本单元；最后对分段后的信号进行归一化处理，消除不同受试者、不同设备间的信号幅值差异，确保模型输入的一致性。
2.双分支特征提取：兼顾细节与全局的智能感知
这是DeepSleepNet区别于传统模型的核心环节，通过两个功能互补的分支网络，分别提取睡眠信号的短时间尺度细节特征与长时间尺度全局特征：
- 浅层分支网络：采用结构较简单的卷积神经网络（CNN）与循环神经网络（RNN）组合，专注于捕捉EEG信号中的局部细节特征，如睡眠纺锤波（12-14Hz）、K复合波等标志性事件------这些事件是区分浅睡眠（N2期）与其他阶段的关键依据。浅层网络的优势在于计算效率高，能快速响应信号中的瞬时变化，避免因网络过深导致的细节信息丢失。
- 深层分支网络：通过堆叠更多的卷积层与长短期记忆网络（LSTM）层，构建更深的网络结构，用于提取长时间尺度的时序特征，如睡眠周期的周期性变化（从清醒期到N1、N2、N3期，再到快速眼动期REM的循环过程）。深层网络能够挖掘信号中的长期依赖关系，解决了单一尺度模型难以适配睡眠周期动态变化的问题。
在特征提取后，DeepSleepNet引入注意力机制，对两个分支输出的特征进行加权融合------模型会自动聚焦于对睡眠阶段划分更具判别力的特征（如REM期的快速眼动信号、N3期的慢波信号），进一步提升特征的有效性。
3.阶段分类：精准输出睡眠阶段标签
融合后的特征将输入全连接层与softmax分类器，根据AASM标准将每个睡眠epoch划分为五个阶段：清醒期（W）、非快速眼动睡眠N1期（浅睡眠初期）、N2期（浅睡眠稳定期）、N3期（深睡眠期）以及快速眼动睡眠期（REM）。模型通过交叉熵损失函数与反向传播算法不断优化参数，最终实现对各阶段的精准分类。
三、性能优势
相较于传统人工评分与早期自动评分模型，DeepSleepNet在性能上实现了多维度突破，其优势主要体现在以下三个方面：
1.评分精度高，接近专家水平
在公开睡眠数据集（如Sleep-EDF、MIT-BIH Polysomnographic Database）上的测试结果显示，DeepSleepNet对五个睡眠阶段的平均分类准确率超过85%，其中对N3期（深睡眠）和REM期的识别准确率更是达到90%以上------这两个阶段与睡眠质量、记忆巩固密切相关，精准识别对临床诊断意义重大。其评分结果与资深睡眠专家的一致性（Kappa系数）超过0.8，达到临床应用级标准，有效降低了人工标注的误差。
2.适配复杂场景
DeepSleepNet通过数据增强技术（如信号加噪、时移、幅度缩放）与双分支结构设计，大幅提升了对噪声信号与个体差异信号的适应能力。在处理老年受试者、睡眠障碍患者（如失眠、睡眠呼吸暂停综合征患者）的非典型睡眠信号时，其性能衰减远低于传统模型，能够满足临床多样化的监测需求。
3.效率提升显著，降低应用成本
该模型可实现睡眠信号的实时或准实时评分，一份8小时的PSG数据仅需数分钟即可完成分析，大幅缩短了诊断周期。同时，其自动化特性降低了对专业标注人员的依赖，有助于睡眠监测技术在基层医院、社区卫生服务中心的普及，推动睡眠健康筛查的规模化开展。
四、应用场景
凭借精准、高效的核心优势，DeepSleepNet已在睡眠医学、健康管理、科研等领域实现广泛应用，成为睡眠监测的核心技术支撑：
1.睡眠障碍临床诊断
在医院睡眠中心，DeepSleepNet可作为辅助诊断工具，为失眠、睡眠呼吸暂停低通气综合征（OSA）、发作性睡病等睡眠障碍提供量化分析依据。例如，通过精准识别OSA患者睡眠中的微觉醒事件与睡眠结构紊乱程度，帮助医生制定个性化治疗方案；对失眠患者的深睡眠占比、入睡潜伏期等指标进行定量评估，辅助判断病情严重程度与治疗效果。
2.家庭与可穿戴睡眠监测
随着可穿戴设备（如智能手环、睡眠监测仪）的普及，DeepSleepNet的轻量化版本已被集成到消费级产品中。通过处理设备采集的单通道EEG或多模态生理信号（如心率、运动数据），为普通用户提供睡眠阶段分析报告，包括深睡眠时长、REM睡眠质量、夜间觉醒次数等指标，帮助用户直观了解自身睡眠状况，针对性调整生活习惯。
3.特殊人群睡眠监测与干预
在养老机构，DeepSleepNet可用于老年人群的长期睡眠监测，及时发现因衰老或慢性疾病导致的睡眠问题；在航天、军事等领域，可对航天员、军人的睡眠质量进行实时评估，为作息安排与任务部署提供科学依据，保障其认知能力与作业安全。
4.睡眠医学科研支撑
在科研领域，DeepSleepNet为大规模睡眠研究提供了高效的数据处理工具。研究人员可利用其对海量睡眠数据进行快速标注与分析，探索睡眠与认知功能、神经系统疾病（如阿尔茨海默病）、精神疾病（如抑郁症）之间的关联，推动睡眠医学理论的深化发展。
五、发展前景
尽管DeepSleepNet已取得显著成就，但随着技术的不断进步，其发展仍有广阔空间。未来，该模型的迭代方向主要集中在三个方面：一是多模态融合升级，结合脑磁图（MEG）、功能近红外光谱（fNIRS）等更丰富的生理信号，进一步提升评分精度与对复杂睡眠状态的识别能力；二是轻量化与边缘计算优化，通过模型压缩技术（如量化、剪枝），使其在资源受限的可穿戴设备上实现更高效的实时推理；三是个性化模型构建，利用迁移学习、联邦学习等技术，结合个体睡眠特征数据，构建专属评分模型，实现"一人一模型"的精准监测。
同时，随着睡眠健康理念的普及与人工智能技术的发展，DeepSleepNet有望与睡眠干预技术（如经颅电刺激、智能唤醒系统）深度融合，形成"监测-分析-干预"的闭环体系，为用户提供从睡眠评估到质量提升的全流程解决方案。
六、结语
DeepSleepNet作为睡眠阶段评分领域的代表性模型，以双分支网络的创新设计打破了传统评分方法的局限，实现了睡眠监测从"人工依赖"到"智能精准"的跨越。其在临床诊断、健康管理等领域的广泛应用，不仅提升了睡眠监测的效率与质量，更推动了睡眠健康服务的普惠化发展。随着技术的持续迭代，DeepSleepNet必将在守护人类睡眠健康的道路上发挥更重要的作用，为构建精准化、个性化的睡眠健康体系提供坚实的技术支撑。
模型的核心技术细节在其首发学术论文《A Deep Learning Model for Automated Sleep Stages Classification Using PSG Signals》中有详细阐述，论文及配套的补充实验数据可通过ScienceOpen等学术平台检索获取（论文链接：http://www.shturl.cc/d171c4f3722b429e9383d584938b4316）。此外，针对模型的轻量化改进版本（如DeepSleepNet-Lite），其相关代码与论文也可通过BORIS等学术数据库查询获取。