《BMJ Digital Health & AI》：Detecting sleep stages after stroke using wearable sensors: machine learning design and challenges
编辑推荐：
本综述系统探讨了利用可穿戴传感器（如ANNE系统）结合机器学习模型（如序数逻辑回归）对卒中后患者进行睡眠分期（包括NREM浅睡期、NREM深睡期和REM快速眼动期）监测的可行性。研究通过整合多中心数据集（SHHS-Control非卒中人群、SHHS-Chronic慢性卒中人群及IRF-Inpatient急性/亚急性卒中人群），证实混合人群训练数据可显著提升模型性能（Cohen's kappa达0.31）。文章强调心电（ECG）特征（如心率变异性HRV）在跨人群泛化中的优势，并指出血氧饱和度（SpO2/SaO2）信号在急性卒中人群中的局限性，为个性化睡眠干预提供了技术路径。
引言
睡眠质量对卒中后神经可塑性、认知功能及康复效果具有关键作用。然而，高达50%的卒中幸存者存在睡眠架构紊乱，如阻塞性睡眠呼吸暂停或失眠。多导睡眠监测（PSG）作为金标准因成本高、操作复杂难以在住院环境中普及。可穿戴传感器（如胸戴式ANNE系统）通过采集心电（ECG）、血氧饱和度（SpO2）等信号，为睡眠分期提供了便携替代方案，但卒中后生理信号异质性及训练数据匮乏限制了模型精度。
材料与方法
研究基于三个数据集：8名急性/亚急性卒中住院患者（IRF-Inpatient）、131名慢性卒中患者（SHHS-Chronic）及145名非卒中对照者（SHHS-Control）。所有ECG信号统一预处理（采样率125 Hz，带通滤波1–40 Hz），并从270秒信号窗口中提取54个特征，包括心率（HR-ECG）、R-R间期（RR-ECG）的统计量（如均值、标准差）、功率谱密度（如低频功率0.04–0.15 Hz）及非线性指标（如样本熵）。睡眠分期标签根据PSG手动标注， harmonize为2阶段（清醒/睡眠）、3阶段（清醒/NREM/REM）及4阶段（清醒/NREM浅睡/NREM深睡/REM）。采用留一法（LOSO）及混合数据集训练策略，以序数逻辑回归模型评估性能（主要指标为Cohen's kappa）。
结果
- 1.
模型性能：基于SHHS-Control或SHHS-Chronic训练的模型在住院患者数据上表现优于仅用IRF-Inpatient数据的模型（2阶段kappa=0.31 vs 0.17）。LOSO模型进一步验证了混合数据集的泛化能力，其中4名住院患者的分类性能接近商业设备（如Oura环）。
- 2.
特征影响：ECG衍生特征（如RRSD连续差值）在跨数据集中表现出较高一致性（t-SNE可视化重叠度高），而添加SpO2/SaO2特征虽提升SHHS模型性能（kappa增加0.05），却显著降低住院患者模型的准确性（kappa趋近于0），可能与卒中急性期自主神经系统（ANS）紊乱相关。
- 3.
个体差异：IRF-Inpatient参与者间模型性能波动大，最佳与最差个体的4阶段kappa差值达0.41，反映卒中异质性对信号稳定性的影响。
讨论
本研究首次系统验证了利用公共PSG数据集（如SHHS）增强小样本卒中特定数据训练的可行性。心电特征（如HRV）的跨人群稳定性表明其可作为核心生物标志物，而血氧信号的局限性提示需谨慎整合多模态数据。未来需扩大急性卒中样本量，并探索深度学习模型以捕获更复杂的生理动态。尽管存在单夜数据、评分标准差异（AASM vs R&K）等局限，本研究为卒中康复期睡眠监测的规模化应用提供了理论依据。
结论
混合人群训练策略能有效提升卒中后睡眠分期的准确性，支持可穿戴传感器在个性化睡眠干预中的临床转化。后续研究应聚焦于卒中特异性生理变异机制的解析，以优化模型泛化能力。
