近日，脑机团队成员余杨祖怡等在潘家辉教授指导下，和广东省工伤康复医院合作的研究成果“Deep Neural Networks for Automatic Sleep Stage Classification and Consciousness Assessment in Patients with Disorder of Consciousness”被SCI期刊IEEE Transactions on Cognitive and Developmental Systems（IF: 5.0, CAA A类期刊）正式录用。本论文于2023年8月12日投稿，2024年3月16日录用。

当人们遭受车祸、撞击或颅内窒息等严重脑损伤并从昏迷中醒来时，很容易陷入意识丧失和认知障碍的严重脑功能障碍状态，即意识障碍（DOC）。在临床诊断过程中，需要准确评估DOC患者的意识水平，正确判断患者现阶段的意识状态，为患者后期的康复治疗提供依据。目前，DOC患者的临床诊断主要基于行为量表，如JFK昏迷恢复量表-修订版（CRS-R）和意识障碍简化评估（SECONDS），以及临床经验。由于缺乏患者充分、稳定的行为反应，且评估医生的主观性较强，基于行为量表的人工检测方法对DOC患者的误诊率较高。脑电图（EEG）以节律波的形式记录脑电活动，其波形、频率和振幅随意识状态而变化，广泛应用于意识障碍的诊断，在行为量表证据不足时可作为辅助诊断工具。但针对DOC患者的自动睡眠分期模型研究仍处于起步阶段，给基于DOC患者自动睡眠分期结果的意识检测留下了极大的研究空白。

睡眠分期被广泛应用于健康个体并取得了较高的准确率，然而对于意识障碍患者的睡眠分期研究，尚有一下难题未能解决：（一）DOC患者的睡眠信号质量较差，由于外部干扰，如临床医疗设备的电噪声或肌肉失调（包括过度出汗、眼球不受控制的运动或抽搐造成的巨大干扰），睡眠数据的可用性较低。(二）DOC患者脑电信号频率和功率发生变化，特征性睡眠波改变甚至消失，增加了准确分期的难度。(三）DOC患者因严重脑损伤导致睡眠结构改变，睡眠转换规则规律性减弱。

图1 CBASleepNet自动睡眠分期模型框架

针对以上问题，本研究提出了一种睡眠分期模型，并通过迁移学习使其适用于 DOC 患者的睡眠分期，我们还提出了一种基于睡眠结构的意识评估算法，该算法可协助临床评估意识水平。总的来说，该论文主要有以下4点贡献：

1. 我们设计并实现了一个名为CBASleepNet的自动睡眠分期模型。该模型采用卷积神经网络（CNN）结构提取原始睡眠信号的时频特征。同时，我们还引入了具有注意机制的双向长短期记忆（Bi-LSTM）结构，以学习模型的上下文信息并突出长序列中的重要信息。
2. 这是首次尝试在DOC患者中应用自动睡眠分期算法。为了学习DOC患者的睡眠特征，我们利用正常人的睡眠数据集对该模型进行了预训练，获得了符合目前公认的睡眠分期标准AASM的睡眠特征。为了适应DOC患者的个体差异，我们通过迁移学习和微调方法对模型进行了训练，从而使所提出的模型在DOC患者中的应用更加实用。
3. 充分利用从睡眠分期中提取的有效特征，并对睡眠分期后患者的脑电信号进行相关性挖掘，形成特征图，所建立的意识评估模型可以获取患者的睡眠相关信息，从而检测意识，辅助临床诊断。
4. 为了获得更充分的数据，我们在Sleep-EDF和MASS数据集以及一个自收集的数据集上进行了实验。广泛的实验结果表明，所提出的自动睡眠阶段分类和意识评估模型在DOC患者中都取得了有效的表现。

该算法的整体架构如图1所示，采用了双流的CNN结构提取原始睡眠信号的时频特征，引入了具有注意机制的双向长短期记忆（Bi-LSTM）结构，以学习模型的上下文信息并突出长序列中的重要信息。利用Sleep-EDF数据集中20名健康受试者的睡眠信号进行自动睡眠分期，自动睡眠分期的准确率为86.7%。对模型进行了MASS数据集测试，准确率达到87.3%。其次，我们利用迁移学习和微调对DOC患者进行了自动睡眠分期。实验结果表明，由于意识水平不同，MCS和VS/UWS患者的睡眠分期准确率存在明显差异。此外，以DOC患者自动分期后的睡眠结构为输入信号，提取与意识相关的睡眠阶段特征并输入SVM分类器，根据睡眠结构特征对患者进行分类并评估其意识水平。本研究建立了自动睡眠分期模型和意识评估框架，有效评估了患者的意识睡眠功能，可作为DOC患者临床诊断、治疗和预后的辅助手段。