Sleep-EDF 睡眠信号数据集深度解析：从 EDF 文件到可复现睡眠分期样本

EachYoungX2026-08-21 10:12

Sleep-EDF 是睡眠信号处理和自动睡眠分期领域最常用的公开数据集之一。它包含整夜多导睡眠图（Polysomnography，PSG）信号，以及由专业人员标注的睡眠阶段。

与可穿戴设备数据相比，Sleep-EDF 的优势在于信号类型标准、采样时间长、标签完整，非常适合用于：

  • 自动睡眠分期
  • EEG/EOG/EMG 信号分析
  • 睡眠结构和睡眠周期研究
  • 时频特征提取
  • CNN、RNN、Transformer 睡眠分类模型
  • 跨被试泛化实验

本文参考了 Sleep-EDF 官方 PhysioNet 页面、MNE 官方睡眠分析教程，并结合实际本地预处理过程中容易踩坑的细节进行整理。

Tag ：#SleepEDF #睡眠分期 #EEG #EOG #EMG #PSG #生理信号处理 #MNE #深度学习

一、Sleep-EDF 数据集概览

Sleep-EDF 最初由 Bob Kemp 等研究者整理，数据目前主要托管在 PhysioNet。

官方的 Sleep-EDF Expanded 版本包含：

  • 197 份整夜 PSG 记录
  • EEG、EOG、下巴 EMG 和事件标记
  • 部分记录还包含鼻口气流和直肠温度
  • 专业人员标注的睡眠阶段
  • EDF/EDF+ 格式文件
  • 总解压体积约 8.1 GB

官方数据分为两个研究子集：

子集 全称 记录数 研究对象 采集环境
SC Sleep Cassette 153 健康受试者，25--101 岁 家庭环境，约 20 小时
ST Sleep Telemetry 44 22 名有轻度入睡困难的受试者 医院环境，约 9 小时

SC 数据来自 1987--1991 年的年龄效应研究，受试者没有使用睡眠相关药物。每位受试者通常有两晚记录，但部分记录因磁带或设备故障缺失。

ST 数据来自 1994 年的替马西泮（Temazepam）研究，每位受试者通常有一晚服药记录和一晚安慰剂记录。因此，ST 数据存在明显的"药物条件"和"医院环境"因素。

这些信息对于模型实验非常重要：如果直接将 SC 和 ST 混在一起，模型可能学习到的是"家庭 vs 医院"或"服药 vs 未服药"的差异，而不是真正的睡眠阶段特征。

官方数据说明见：Sleep-EDF Database Expanded。

二、Sleep-EDF-20、Sleep-EDF-78 到底是什么？

实际阅读论文时，经常会看到以下名称：

常见名称 通常指代
Sleep-EDF-20 2013 年版本中的 SC 子集，约 20 名受试者、39 晚记录
Sleep-EDF-78 2018 年扩充后的 SC 子集，约 78 名受试者、153 晚记录
Sleep-EDF Expanded 完整扩展库，共 197 条记录，包含 SC 和 ST

需要注意的是，Sleep-EDF-20 和 Sleep-EDF-78 主要是论文中的习惯叫法，并不是 PhysioNet 官方目录名称。

如果使用 MNE 的 fetch_data()，默认下载的是 SC 年龄研究部分，即 153 条记录，而不是完整的 197 条 SC+ST 记录。MNE 文档对此有明确说明：mne.datasets.sleep_physionet.age.fetch_data。

因此，复现实验时一定要确认：

  1. 使用的是 SC 还是 ST；
  2. 使用的是 2013 版本还是 2018 扩展版本；
  3. 是否包含两个子集；
  4. 论文中的 "Sleep-EDF" 是否实际上只指 Sleep-EDF-20。

三、文件组织结构

下载后的目录大致如下：

perl 复制代码 
sleep-edfx/
└── 1.0.0/
    ├── sleep-cassette/
    │   ├── SC4001E0-PSG.edf
    │   ├── SC4001EC-Hypnogram.edf
    │   ├── SC4002E0-PSG.edf
    │   ├── SC4002EC-Hypnogram.edf
    │   └── ...
    ├── sleep-telemetry/
    │   ├── ST7011J0-PSG.edf
    │   ├── ST7011JP-Hypnogram.edf
    │   └── ...
    ├── RECORDS
    ├── SC-subjects.xls
    ├── ST-subjects.xls
    └── SHA256SUMS.txt

每个样本通常由两个文件组成：

复制代码 
SC4001E0-PSG.edf
SC4001EC-Hypnogram.edf

前者保存原始 PSG 信号，后者保存睡眠分期标注。

一个容易忽略的文件匹配问题

PSG 文件和 Hypnogram 文件的文件名并不是简单地完全对应。

例如：

makefile 复制代码 
PSG:       SC4001E0-PSG.edf
Hypnogram: SC4001EC-Hypnogram.edf

最后一位不同。官方说明中，Hypnogram 文件名的第八个字符与评分人员有关。

因此，不能简单使用：

ini 复制代码 
hypnogram = psg_name.replace("-PSG", "-Hypnogram")

更稳妥的做法是匹配记录前缀：

python 复制代码 
from pathlib import Path


def find_hypnogram(psg_path: Path) -> Path:
    stem = psg_path.name.removesuffix("-PSG.edf")

    # 去掉 PSG 文件末尾的设备/记录标识
    record_prefix = stem[:-1]

    candidates = sorted(
        psg_path.parent.glob(f"{record_prefix}?-Hypnogram.edf")
    )

    if len(candidates) != 1:
        raise RuntimeError(
            f"无法唯一匹配 Hypnogram: {psg_path}, candidates={candidates}"
        )

    return candidates[0]

这是本地批量处理时非常常见的错误来源。

四、信号通道与采样率

4.1 Sleep Cassette 数据

SC 数据通常包含：

信号 典型通道 采样率
EEG Fpz-Cz 100 Hz
EEG Pz-Oz 100 Hz
EOG Horizontal 100 Hz
EMG Submental 1 Hz
鼻口气流 Oro-nasal airflow 1 Hz
直肠温度 Rectal temperature 1 Hz
事件标记 Event marker 1 Hz

官方特别说明，SC 数据中的下巴 EMG 并不是未经处理的高采样率原始 EMG，而是经过高通、整流、低通后的 EMG 包络，并以 1 Hz 采样。

因此：

不要把 EMG submental 当成 100 Hz 原始肌电信号。

如果将它插值到 100 Hz，只是为了和 EEG 在数组维度上对齐，并不会增加真实信息量。

4.2 Sleep Telemetry 数据

ST 数据通常包含：

信号 采样率
EEG 100 Hz
EOG 100 Hz
EMG 100 Hz
Event marker 1 Hz

ST 文件中未记录的信号已经被官方移除，所以不同文件的通道列表可能存在差异，不能假设所有 EDF 文件都有完全相同的通道。

读取后应始终检查：

scss 复制代码 
print(raw.ch_names)
print(raw.info["sfreq"])

五、睡眠阶段标签

Sleep-EDF 的 Hypnogram 文件使用 EDF+ 注释格式，官方提供的标签包括：

原始标签 含义
Sleep stage W 清醒 Wake
Sleep stage 1 R&K N1
Sleep stage 2 R&K N2
Sleep stage 3 R&K N3
Sleep stage 4 R&K N4
Sleep stage R REM
Sleep stage M Movement time
Sleep stage ? 未评分或未知

这些标签按照 1968 年的 Rechtschaffen and Kales（R&K）标准进行人工评分。PhysioNet 官方说明对此有详细描述。

5.1 六分类

如果保留 R&K 原始睡眠阶段，通常使用：

vbnet 复制代码 
W, N1, N2, N3, N4, REM

并删除：

复制代码 
M, ?

5.2 五分类

目前很多深度学习论文会将 R&K 的 N3 和 N4 合并：

vbnet 复制代码 
W, N1, N2, N3, REM

对应关系：

ini 复制代码 
R&K N3 + R&K N4 = AASM-style N3

MNE 官方睡眠教程也采用了这种方式，将 Sleep stage 3 和 Sleep stage 4 映射为同一个类别。MNE 睡眠分期教程。

但需要明确：

N3/N4 合并是研究者为了统一分类标准所做的预处理，不是原始标签本身。

论文中应明确写出：

vbnet 复制代码 
Sleep stages 3 and 4 were merged into a single N3 class.

而不是直接称为"原始五分类标签"。

六、数据下载

官方提供了多种下载方式。

使用 wget

perl 复制代码 
wget -r -N -c -np \
  https://physionet.org/files/sleep-edfx/1.0.0/

完整压缩包约 8.1 GB，建议保留足够的硬盘空间。

使用 AWS S3

perl 复制代码 
aws s3 sync --no-sign-request \
  s3://physionet-open/sleep-edfx/1.0.0/ \
  ./sleep-edfx

下载完成后，可以根据官方提供的 SHA256SUMS.txt 校验文件完整性。

不要直接使用来源不明的 Kaggle、网盘或二次转换版本。很多二次数据集已经：

  • 删除了部分受试者；
  • 修改了标签；
  • 合并了 N3/N4；
  • 截断了清醒片段；
  • 改变了单位；
  • 重新保存为 NumPy 或 CSV；
  • 丢失原始文件名和受试者信息。

官方数据采用 Open Data Commons Attribution License v1.0，使用时还应引用原始数据论文和 PhysioNet 资源。

七、使用 MNE 读取 EDF 和 Hypnogram

MNE 官方推荐的流程是：

  1. 使用 read_raw_edf() 读取 PSG；
  2. 使用 read_annotations() 读取 Hypnogram；
  3. 将注释写入 Raw 对象；
  4. 使用 events_from_annotations() 生成事件；
  5. 按 30 秒切分 Epoch。

示例代码如下：

ini 复制代码 
from pathlib import Path

import mne


STAGE_TO_ID = {
    "Sleep stage W": 1,
    "Sleep stage 1": 2,
    "Sleep stage 2": 3,
    "Sleep stage 3": 4,
    "Sleep stage 4": 4,
    "Sleep stage R": 5,
}


EPOCH_EVENT_ID = {
    "W": 1,
    "N1": 2,
    "N2": 3,
    "N3": 4,
    "REM": 5,
}


def find_hypnogram(psg_path: Path) -> Path:
    stem = psg_path.name.removesuffix("-PSG.edf")
    record_prefix = stem[:-1]

    candidates = sorted(
        psg_path.parent.glob(f"{record_prefix}?-Hypnogram.edf")
    )

    if len(candidates) != 1:
        raise RuntimeError(
            f"无法匹配 Hypnogram: {psg_path}\n"
            f"候选文件: {candidates}"
        )

    return candidates[0]


def load_sleep_epochs(psg_path: str):
    psg_path = Path(psg_path)
    hypnogram_path = find_hypnogram(psg_path)

    raw = mne.io.read_raw_edf(
        psg_path,
        stim_channel="Event marker",
        infer_types=True,
        preload=False,
        verbose="error",
    )

    annotations = mne.read_annotations(hypnogram_path)
    raw.set_annotations(annotations, emit_warning=False)

    events, _ = mne.events_from_annotations(
        raw,
        event_id=STAGE_TO_ID,
        chunk_duration=30.0,
    )

    epochs = mne.Epochs(
        raw,
        events,
        event_id=EPOCH_EVENT_ID,
        tmin=0.0,
        tmax=30.0 - 1.0 / raw.info["sfreq"],
        baseline=None,
        preload=False,
        reject_by_annotation=False,
    )

    return raw, epochs


raw, epochs = load_sleep_epochs(
    "sleep-edfx/1.0.0/sleep-cassette/SC4001E0-PSG.edf"
)

print(raw.ch_names)
print(raw.info["sfreq"])
print(epochs)

在 EEG 采样率为 100 Hz 时，每个 30 秒 Epoch 应包含：

ini 复制代码 
100 × 30 = 3000 个采样点

因此，单通道 Fpz-Cz 数据通常可以保存为：

ini 复制代码 
X.shape = [样本数, 3000]
y.shape = [样本数]

多通道数据则通常保存为：

ini 复制代码 
X.shape = [样本数, 通道数, 3000]

八、为什么不能简单按照数组长度切分？

Hypnogram 是以时间注释的方式保存的，不能默认：

ini 复制代码 
label_index = sample_index // 3000

这种方法只有在以下条件全部满足时才成立：

  • PSG 和 Hypnogram 从完全相同的时间点开始；
  • 没有起始偏移；
  • 所有标注都是完整 30 秒；
  • 信号没有 EDF discontinuity；
  • 采样率被正确读取；
  • 没有截断或重新采样。

更稳妥的方式是使用：

scss 复制代码 
mne.read_annotations()
mne.events_from_annotations()

让 EDF+ 中的 onset 和 duration 参与对齐。MNE 官方教程也是基于 Annotation 生成 30 秒事件，而不是直接手工构造标签数组。

九、睡眠分期预处理中的实际注意事项

下面这些并不一定写在数据集首页，但会直接影响实验结果。

9.1 不要把所有清醒片段全部保留

整夜记录通常在真正入睡前和醒来后包含较长的 Wake 片段。

如果完整保留，Wake 类别会大量占优，模型可能只要偏向预测 Wake 就能获得很高的 Accuracy。

常见处理方法有三种：

  1. 保留全部数据，使用 class weight；
  2. 仅保留首次睡眠阶段前 30 分钟和末次睡眠阶段后 30 分钟的 Wake；
  3. 直接删除过长的睡前和睡后清醒区间。

MNE 官方示例采用了第二种方法，但这不是唯一标准，论文中必须写明。

9.2 不要随机划分 Epoch

错误做法：

ini 复制代码 
train_test_split(all_epochs, test_size=0.2)

因为同一受试者的相邻 Epoch 可能同时出现在训练集和测试集中，模型会学习到个体特征，造成严重数据泄漏。

推荐按受试者划分：

复制代码 
训练集：subject 1--60
验证集：subject 61--68
测试集：subject 69--78

如果某位受试者有两晚记录，两晚必须放在同一个集合中。

对于 ST 数据，还应保证同一受试者的服药和安慰剂记录不会被拆到不同集合中。

9.3 不要忽略受试者元信息

SC 和 ST 的受试者差异很大：

  • SC：健康人群，年龄跨度较大；
  • ST：有轻度入睡困难，且存在药物实验；
  • 记录环境不同；
  • 记录时长不同；
  • 通道组成可能不同。

如果将它们混合训练，模型可能学到研究协议差异，而不是睡眠生理学特征。

建议在最终数据中保留以下元信息：

makefile 复制代码 
subject_id
record_id
dataset_type: SC / ST
night_id
start_time
stage
original_label
processed_label

不要只保存 X.npy 和 y.npy。

十、滤波和归一化建议

Sleep-EDF EEG 原始采样率为 100 Hz，因此预处理时需要考虑 Nyquist 频率。

EEG

常见设置包括：

复制代码 
带通：0.3--35 Hz
带通：0.5--30 Hz

具体选择取决于任务：

  • 睡眠分期需要保留 δ 波，因此不要随意提高高通截止频率；
  • 如果研究慢波睡眠，应谨慎处理 0.3--1 Hz；
  • 100 Hz 采样率下，不适合直接设计 50 Hz 陷波滤波器，因为 50 Hz 已经处于 Nyquist 边界；
  • 如果需要抑制工频，通常应先确认实际工频和滤波器设计。

EOG

EOG 对 REM 检测很重要，不能简单当作普通 EEG 处理。过强的高通滤波可能削弱缓慢眼动。

EMG

SC 的 EMG 已经是低采样率包络信号，不应使用 EEG 的滤波参数处理。

归一化

常见方式：

ini 复制代码 
x = (x - x.mean()) / (x.std() + 1e-8)

但需要明确归一化范围：

  • 每个 Epoch 归一化；
  • 每个记录归一化；
  • 每个受试者归一化；
  • 使用训练集统计量归一化。

如果要评估跨被试泛化，建议统计量只在训练受试者上拟合，避免测试集信息泄漏。

十一、EDF 读取时的单位问题

EDF 文件中保存的是数字量化值，同时在 Header 中记录了：

  • 数字最小值/最大值；
  • 物理最小值/最大值；
  • 物理单位；
  • 采样率；
  • 通道名称；
  • 预滤波信息。

使用 MNE 或 PyEDFlib 读取时，应优先使用库完成物理量转换，不要手工猜测：

python 复制代码 
import pyedflib

f = pyedflib.EdfReader("SC4001E0-PSG.edf")

print(f.getSignalLabels())
print(f.getSampleFrequencies())
print(f.getPhysicalDimension(0))

signal = f.readSignal(0)
f.close()

PyEDFlib 支持 EDF、EDF+、BDF 和 BDF+ 文件读取。PyEDFlib 官方文档对此有详细说明。

不同工具对 EEG 单位的内部表示也可能不同：

  • EDF Header 可能显示 uV；
  • MNE 内部通常使用 SI 单位；
  • PyEDFlib 返回物理标定后的数值；
  • 某些二次处理代码又会额外乘以或除以 1e6。

因此，处理前建议打印：

scss 复制代码 
print(raw.info)
print(raw.get_data(picks=[0])[:, :10])

并通过 EDFbrowser 或官方工具进行人工波形核对。

十二、推荐的数据处理流水线

一个相对稳妥的 Sleep-EDF 处理流程如下：

  1. 下载官方数据并校验 SHA256
  2. 识别 PSG/Hypnogram 文件
  3. 读取 EDF Header 和通道列表，读取 EDF+ 睡眠标注
  4. 检查时间起点和持续时间，删除 M、? 或其他未使用标签
  5. 决定六分类或五分类
  6. 可选：截断过长 Wake 区间
  7. EEG/EOG/EMG 分别进行预处理，按照 30 秒切分 Epoch
  8. 保存 subject_id、record_id、start_time
  9. 按受试者划分训练集、验证集、测试集
  10. 训练与评估

建议输出为：

erlang 复制代码 
processed/
├── X/
│   ├── SC4001E0.npy
│   └── ...
├── y/
│   ├── SC4001E0.npy
│   └── ...
└── metadata.csv

metadata.csv 至少包含：

css 复制代码 
record_id, subject_id, epoch_index, start_sec, original_label, label

十三、评估指标不要只看 Accuracy

Sleep-EDF 的类别分布通常不均衡，N1 往往较少，Wake、N2、REM 的数量差异也比较明显。

建议同时报告：

  • Accuracy
  • Macro-F1
  • Weighted-F1
  • Cohen's Kappa
  • 每个类别的 Precision、Recall、F1
  • Confusion Matrix

特别是 N1 类别，如果只看总体 Accuracy，模型表现可能被严重高估。

此外，测试结果应明确：

  • 是 Epoch-wise 还是 Subject-wise；
  • 是否删除了睡前/睡后 Wake；
  • 是否合并了 N3/N4；
  • 是否删除 M 和 ?；
  • 使用了哪个 EEG 通道；
  • 是否使用 EOG、EMG；
  • 是否采用重叠窗口；
  • 是否使用了上下文 Epoch。

这些细节都会显著影响最终结果。

十四、Sleep-EDF 的优点与局限

优点

  1. 数据公开，获取方便；
  2. EDF/EDF+ 格式标准；
  3. 具有整夜连续记录；
  4. 提供专家睡眠阶段标注；
  5. EEG、EOG、EMG 信号较完整；
  6. 适合复现大量经典睡眠分期研究；
  7. MNE、PyEDFlib、WFDB 等工具都支持读取。

局限

  1. 数据采集时间较早，设备和人群不代表现代临床数据；
  2. SC 与 ST 来自不同研究协议；
  3. ST 存在药物条件和医院环境混杂；
  4. N1 类别严重偏少；
  5. R&K 标注与现代 AASM 标准并不完全相同；
  6. 很多论文使用的 "Sleep-EDF" 只是部分子集；
  7. 随机 Epoch 划分极易造成数据泄漏；
  8. 不能将其结果直接等同于临床诊断性能；
  9. 少量通道和记录存在缺失或格式差异；
  10. 不同论文的裁剪、滤波、标签合并方法差别很大。

十五、总结

Sleep-EDF 表面上只是"读取 EDF、切成 30 秒、训练分类器"，但真正影响复现结果的往往是以下细节：

  1. 你使用的是 SC、ST，还是完整 Expanded 数据；
  2. PSG 和 Hypnogram 是否正确匹配；
  3. 是否正确处理文件名最后一位评分者标识；
  4. 是否根据 EDF+ annotation 做时间对齐；
  5. 是否将 N3、N4 合并；
  6. 是否删除 M 和未知标签；
  7. 是否裁剪过长的 Wake 区间；
  8. 是否按受试者划分数据；
  9. 是否保留原始单位和元信息；
  10. 是否记录完整的预处理配置。

一个推荐的实验设置是：

bash 复制代码 
数据：Sleep-EDF SC
输入：Fpz-Cz EEG
采样率：100 Hz
Epoch：30 秒，3000 点
标签：W / N1 / N2 / N3 / REM
N3：合并原始 Stage 3 和 Stage 4
M、?：删除
划分：Subject-wise split
指标：Accuracy + Macro-F1 + Kappa

引用：

相关推荐
FlagOS智算系统软件栈1 小时前
CUDA Tile IR 接入 FlagOS 多芯片统一编译器 FlagTree，加速 AI 芯片生态迈向“开放计算”
人工智能·深度学习·flagos
大模型丫丫1 小时前
Transformer架构详解：从Attention到GPT的演进之路
gpt·深度学习·transformer
土拨鼠不是老鼠2 小时前
python 使用 plotly 进行数据分析
python·plotly·数据分析
是上好佳佳佳呀2 小时前
【深度学习|DAY05】卷积神经网络深度学习笔记
笔记·深度学习·cnn
盼小辉丶3 小时前
PyTorch强化学习实战——用预训练语言模型和ChatGPT玩转文本游戏
pytorch·深度学习·语言模型·chatgpt·强化学习
罗政3 小时前
零基础数据分析教程（2）：对比与拆解
数据挖掘·数据分析
2601_9627809113 小时前
财务人员学数据分析考什么证？从入门到高阶实用证书清单
数据挖掘·数据分析
菜冻鱼17 小时前
Python-pytorch-高级技巧
开发语言·人工智能·pytorch·python·深度学习·神经网络·聚类
菜冻鱼17 小时前
Python-pytorch-模型保存与加载
开发语言·人工智能·pytorch·python·深度学习·机器学习
热门推荐
01国内可直接用、免费额度/永久免费的大模型API清单（含 SiliconFlow、火山、阿里、智谱、百度、Kimi、DeepSeek、DMXAPI 等）02GitHub 镜像站点03微信历史版本含下载地址（ Windows PC | 安卓 | MAC ）及设置微信不更新042026 国产 AI 大模型横评：DeepSeek、通义千问、Kimi、文心一言、星火、豆包谁更能打？05历年考研数学一、数学二、数学三真题试卷及答案PDF06Agnes AI 免费 API 接入指南：文本、生图、生视频，一套接口全免费07AI 编程 IDE 全景解析 2026：Agent 全面接管开发链路082026年7月AI圈大地震：GPT-5.6被政府限制、Claude入驻Slack、Anthropic自研芯片09VSCode+CodeX扩展，无法启动10如何新建文件夹？ 电脑新建文件夹的4种方法