基于深度强化学习的单通道EEG信号自动睡眠分期算法

摘 要：

目前，基于脑电（EEG）信号的人体睡眠分期方法呈现出单通道和网络模型深度化的趋势，然而单通道信息采集使得EEG失去大脑区域的位置信息，EEG中表征睡眠阶段的特征因趋向稀疏化而难以提取，同时深度网络的共性问题——模型及其训练的超参数的人工设定使得训练过程盲目且低效，这些问题导致自动睡眠分期方法的准确率低。为此，提出利用密集连接网络（DenseNet）对模型层间特征重用功能，挖掘深藏于EEG信号中的睡眠状态信息，针对单通道EEG信号在频域上的低频特性以及时域上长程依赖特性，对DenseNet模型进行了改进，实现了人体睡眠的快速和精确分期；为进一步提升DenseNet性能，使用深度确定性策略梯度（DDPG）算法，在网络学习训练过程中利用强化学习思想对DenseNet关键超参数进行在线优化和自动调节。实验结果表明，该算法模型在Sleep-EDFx数据集上的分期准确率达到了89.23%，总体效果优于近年来其他先进分期算法，表现出良好的应用前景。

关键词：睡眠分期；密集连接网络；深度强化学习；超参数在线优化

中图分类号：TP391 文献标志码：A 文章编号：1001-3695（2024）09-019-2699-06

doi：10.19734/j.issn.1001-3695.2024.01.0008

Single channel EEG signal automatic sleep staging algorithm based on deep reinforcement learning

Zhao Yanjing1a，2， Zhou Qiang1a，2， Liu Xin1a，2， Li Wan1b，2， Tian Yunzhi1a，2

（1.a.School of Electrical & Control Engineering， b.School of Electronic Information & Artificial Intelligence， Shaanxi University of Science & Technology， Xi’an 710021， China; 2.Shaanxi Artificial Intelligence Joint Laboratory， Xi’an 710021， China）

Abstract：

Currently， human sleep staging methods based on electroencephalogram （EEG） signals show a trend towards single-channel and deep network models， however， single-channel information acquisition makes EEG lose the positional information of brain regions， and the features characterizing sleep stages in EEG tend to be sparse and thus difficult to extract， at the same time， the common problems of deep networks-the artificial setting of the model and its training hyperparameters make the training process blind and inefficient， and these problems lead to the low accuracy of automatic sleep staging methods. Therefore， this paper proposed to use the inter-layer feature reuse function of DenseNet to explore the sleep state information hidden in EEG signals， and improved the DenseNet model for the low-frequency characteristics of single-channel EEG signals in the frequency domain and the long-range dependence of single-channel EEG signals in the time domain， so as to achieve the fast and accurate sleep staging of the human body. In order to further improve the performance of DenseNet， it used a deep deterministic policy gradient （DDPG） algorithm to optimize and automatically adjust the key hyperparameters of DenseNet using the reinforcement learning idea during the network learning and training process. The experimental results show that the staging accuracy of the algorithm model on the Sleep-EDFx dataset reaches 89.23%， and the overall performance is better than other advanced staging algorithms in recent years， demonstrating good application prospects.

Key words：sleep staging; densely connected networks; deep reinforcement learning; hyperparameter online optimization

0 引言

睡眠与人类健康和生活质量息息相关，然而全球有数百万人因睡眠障碍而遭受健康问题［1］困扰。睡眠分期是诊断并治疗睡眠障碍的一个重要步骤，目前该过程仍由医学专家根据多导睡眠图（polysomnography， PSG）记录手动完成。PSG数据包含多种生理信号，如心电（electrocardiogram， ECG）、肌电（electromyogram， EMG）、脑电（electroencephalogram， EEG）和眼电（electrooculogram， EOG），以监测不同的身体功能和区域［2］。同时根据美国睡眠医学学会（American Academy of Sleep Medicine， AASM）制定的睡眠分期标准，将睡眠过程分为五个阶段：清醒期（wake， W），快速眼动期（rapid eye moment， REM），非快速眼动期（non-rapid eye moment， NREM），其中NREM又细分为N1～N3这三个阶段［3］。由于专家手动分期过程是耗时费力且具有主观性的［4］，所以自动睡眠分期方法的研究始终受到关注，而该方法的研究工作更是从信号源模态、采集通道和分期模型全面开展。

近年来，自动睡眠分期方法的研究呈现出以下趋势：由于EEG信号含有更加丰富的大脑状态信息，睡眠分期的信源模态从ECG、EMG、EEG和EOG等多种模态，逐渐集中到EEG的单一模态［5］；为了完整地获得诊断睡眠障碍的基本信息，EEG的最大采集通道数一度达到64路，尽管多采集通道能够获得更为完整的EEG位置信息［6］，但这一采样方式会极大地干扰受试者的睡眠质量，从而进一步影响其睡眠的辨识结果。因此，越来越多研究者倾向于使用单通道EEG信号实现自动睡眠分期；睡眠分期模型由传统机器学习方法发展到深度学习方法，即从生物电信号中人工提取特征的前馈神经网络［7～9］逐渐发展形成了“CNN+ ResNet+ RNN”的深度学习模型，其中卷积神经网络（convolutional neural network， CNN）用于提取短期的局部时域特征，残差网络（residual network， ResNet）用于消除梯度消失和爆炸，确保模型深度，长短期记忆网络（long short term memory network，LSTM）、门控循环单元（gated recurrent unit， GRU）等循环神经网络（recurrent neural network， RNN）模型用于建立EEG长程依赖关系。如文献［10～12］通过CNN提取信号时不变特征、RNN捕获睡眠时期之间的上下文依赖关系，精度最高达到85.4%；同时针对EEG的宽频带特性，多尺度特征提取模块被应用于深度模型中，如Goshtasbi等人［13］设计多尺度特征提取模块和残差扩张因果卷积，使得最终的分类准确率达到84.8%，Yang等人［14］使用多尺度CNN提取EEG信号特征，并通过多头注意机制捕获特征之间的时间依赖关系，其模型分类准确率达到86.6%。

虽然研究者提出了多种结构的深度网络模型用于进行睡眠分期任务，但由于单通道信息采集使得EEG失去多数大脑区域的位置信息［15］，EEG中表征睡眠阶段的特征则因趋向稀疏化而难以提取，从而导致其最终的分类准确率徘徊不前［16］；另一方面，深度学习模型包含许多需要人工设定的超参数，例如学习率、正则化参数等，这些参数对模型性能影响极大，而深度网络的共性问题——模型及其训练的超参数人工设定的盲目性使得模型训练过程低效和训练结果的过拟合，这些问题导致自动睡眠分期方法的训练过程时间较长、准确率低。

针对以上问题，本文提出了一个基于深度强化学习（deep reinforcement learning， DRL）超参数优化的改进密集连接网络（densely connected network， DenseNet）自动睡眠分期算法（DRL-DenseNet）。使用改进DenseNet提取单通道EEG信号睡眠阶段多尺度和长程特征，通过其密集连接方式充分提取融合EEG信号浅层和深层特征，并在深度挖掘EEG信号特征信息的同时缓解梯度消失问题，加强特征传播以提高网络表达能力。针对网络学习训练过程中超参数的设置严重依赖人工经验及盲目性问题，利用深度确定性策略梯度（deep deterministic policy gradient， DDPG）［17］算法对训练过程中关键超参数进行在线动态优化，避免了人工调整参数的繁琐过程，从而有效提升了模型的分期性能。本文方法期望实现对单通道EEG信号的高效自动睡眠分期，为睡眠研究提供更有效的方法。

1 本文方法思路

针对单通道睡眠EEG信号特征难以被充分提取与有效利用，以及关键超参数的优化与自动连续控制等问题，本文构建了基于深度强化学习超参数优化的改进密集连接网络（DRL-DenseNet）自动睡眠分期模型，原理结构如图1所示。a）构建适用于单通道睡眠EEG信号的改进DenseNet，以有效提取并利用信号特征信息；b）提出使用深度强化学习中的DDPG算法对学习率、L2正则化参数等超参数进行在线优化和实时控制，在模型训练过程中连续控制学习率、L2正则化参数变化，进一步提升分期模型的性能，实现良好的分期效果。

2 睡眠分期算法

2.1 密集连接网络睡眠分期模型构建

DenseNet是一种深度卷积神经网络，它不仅解决了传统深度网络中随着网络层数的加深导致的梯度爆炸或消失的问题，并通过其密集连接的架构充分利用每一层的特征数据［18］，从而最大化发挥CNN网络的特征提取性能。在传统的卷积网络中，每层都只与后一层相连，而在DenseNet中，每层都会直接连接到后续所有层，即前面所有层的特征映射都被转移到了后面的每一层，促进了信息流动，可以充分提取并融合EEG信号浅层和深层特征，从而更有效地利用单通道EEG信号相对稀疏的睡眠特征。

针对单通道EEG信号特性，本文对DenseNet进行了如下改进。首先，由于EEG信号是低频的生物医学信号［19］，且在时域上具有长程依赖特性，使用小卷积核难以提取到有意义的变化信号区域及其特征，所以首层采用较大尺寸的卷积核增大感受野，从而捕捉到EEG信号更多的上下文信息，以更好地提取EEG信号浅层特征。其次，网络输入为一维EEG信号，因此采用一维卷积层进行特征提取，有效捕捉信号的动态变化，经过多次实验，最终网络仅设计两个密集块，分别包含6和4个卷积层，避免因网络层数太深造成参数量巨大，有效降低了网络的复杂性，使其网络架构更简单高效。最后，为了充分融合EEG信号中不同频段的特征信息，实现更好的分类，添加了两层全连接层进行降采样，分别有512和256个神经元，再通过softmax分类器实现睡眠分期的分类任务。

2.1.1 模型结构

本文睡眠分期任务中DenseNet结构设计如图2所示，该网络主要由密集块和过渡层两部分组成。首先，输入的EEG信号经过大小为1×50的卷积核初步提取特征，再通过1×3的最大池化层降低数据维度的同时保留信号的关键特征，接着使用第一个密集块充分提取睡眠EEG信号浅层特征，使用第二个密集块继续提取睡眠EEG信号深层特征，深入挖掘信号中的特征信息，然后通过全局平均池化层将特征进行整合，最后引入全连接层进行降采样，使用softmax分类器完成分期任务。该网络旨在通过多层次的特征提取与融合，全面捕捉睡眠EEG信号特征，从而有效提高分期准确率。

密集块是网络的核心组成部分，通过一系列密集连接的层级实现了强大的特征重用，使得睡眠EEG信号的特征信息在每层网络中得到充分利用与融合，从而准确地对睡眠各阶段进行分类，如式（1）所示。

2.2.2 优化策略

DDPG算法是一种用于连续动作空间决策的深度强化学习算法，可以有效实现对模型训练过程中超参数的自动优化和连续控制，其网络框图如图3所示。在每个时刻，DDPG智能体会接收环境中的状态st，并作出决策动作at将环境转移到下一状态st+1，同时环境会产生一个奖励信号rt并将其反馈给智能体，智能体的最终目标是最大化奖励值。

DDPG算法采用演员-评论者（Actor-Critic）结构，该结构包含Actor网络和Critic网络两个关键组件。Actor网络是一个基于策略的神经网络θμ，它将环境中的状态，即睡眠分期任务中验证损失率，映射到连续动作空间关键超参数调节中，即它负责学习并输出一个确定性策略，给出超参数组合策略以优化模型训练；Critic网络则是一个基于价值的神经网络ωQ，它的任务是评估Actor网络输出的超参数组合策略，并给出相应的价值估计，判断该超参数组合值是否合适。这两个网络相互配合：本文Actor网络隐藏层有两个全连接层，分别包含100和50个神经元个数，输出采用sigmoid激活函数，根据当前状态输出决策的超参数组合动作θμ（st）=at；Critic网络的输入状态经过一个包含100个神经元的全连接层后与输入动作结合，再通过一个包含50个神经元的全连接层输出Q值，根据当前状态和动作的组合来输出价值估计值Q（st， θμ（st）|ωQ），且每个网络均由一个对应的在线子网络和目标子网络组成。

在线Critic网络通过最小化均方误差作为损失函数loss来更新参数，以获得最大的Q值，如式（8）所示。

3 实验过程与结果分析

3.1 实验条件

3.1.1 数据来源

本文数据集来自公开的复杂生理信号研究资源网站（research resource for complex physiologic signals， PhysioNet）的欧洲数据格式存储的睡眠数据库拓展版（sleep-European data format database expanded， Sleep-EDFx）［22］。从Fpz-Cz通道EEG信号中选取了20组数据，根据AASM标准将N3和N4合并为一个睡眠阶段，同时为了更好地关注睡眠阶段，剔除不属于睡眠阶段的无效数据，只保留睡眠阶段前后30 min的清醒时间数据。处理后，W、N1、N2、N3、REM各类别样本数量分别为3 974、1 989、8 466、2 811、3 437，累计共20 677个样本。

3.1.2 评价指标

为了全面评价模型性能，本文对整体和每类指标进行了评估。使用每类的精确率（precision rate，PR）、召回率（recall，RE）和F1分数（F1-score，F1）来评估每个睡眠阶段的分类性能；使用准确率（accuracy，Acc）和宏平均F1值（macro-averaged F1-score，MF1）来直观地理解模型在整个数据集上的性能表现。各类指标计算公式如下：

MF1=（∑Ii=1F1i）/I（15）

其中：TP表示预测输出、实际输出均为真，即正确预测的正样本数；FP表示预测输出为真、实际输出为假，即错误预测的负样本数；TN表示预测输出、实际输出均为假，即正确预测的负样本数；FN表示预测输出为假、实际输出为真，即错误预测的正样本数。

3.2 实验过程

本文模型基于TensorFlow 2.10框架、采用Python 3.9编程语言编写代码，在NVIDIA RTX4060 GPU上进行训练。训练时采用随机梯度下降法，每轮训练批大小为100。

本文模型的训练过程由负责完成睡眠分期任务的改进DenseNet模型和负责完成对关键超参数连续控制的DDPG模型交替训练组成。具体的训练过程如下：

a）初始化DenseNet分期模型的参数；

b）定义超参数：确定需要调整的超参数及范围，学习率（10-5，10-2），L2正则化参数（10-9，10-3）；

c）初始化DDPG模型相关参数，包含策略网络、价值网络等；

d）在训练过程中交替进行以下两个步骤：

（a）基于DDPG进行超参数优化：采用当前睡眠分期模型的验证损失率作为状态，借助DDPG算法对关键超参数进行在线自动调节，以提升模型性能；

（b）利用DenseNet模型进行睡眠分期训练：采用调优后的超参数，使用睡眠EEG数据对网络模型进行训练，进而更新模型的内部参数。

在整个训练过程中，通过这种交互方式可以有效地调整关键超参数以优化模型的最终性能。

3.3 消融实验

本文方法使用DDPG优化算法来对睡眠分期网络的两个关键超参数进行连续在线控制，为验证分期网络和优化算法的有效性，合理评估本文方法的性能表现，进行了一系列消融对比实验。

首先，为使分期模型更适合睡眠EEG信号，在不加入优化算法的情况下，学习率固定选取0.001，对密集块个数、密集块中卷积块个数n，以及首层卷积核大小选取分别进行了对比实验。密集块与其卷积块个数优化实验结果如图4所示，可知当选取两个密集块，且第一个密集块包含6个卷积块、第二个密集块包含4个卷积块时模型的分类准确率最高。由于EEG信号样本数据量有限，卷积块与密集块个数持续增加会导致模型过拟合分类，性能逐渐下降，所以模型选取n1=6，n2=4进行后续实验。

首层卷积核大小分别使用原始DenseNet小卷积核1×7、中卷积核1×50、大卷积核1×100进行实验，结果如表1所示。使用1×50大小的卷积核分期效果更好，可以在捕捉全局信息的同时保留局部细节特征，更适用于低频EEG信号。最后，将DDPG优化算法加入到睡眠分期任务中，结果显示模型的准确率达到了89.23%，分类性能得到了进一步提升，证明了对关键超参数优化的必要性。

3.4 实验结果分析

图5～7分别为使用DDPG优化算法进行超参数优化时学习率、L2正则化参数以及奖励变化的曲线图。可以清晰看到，模型在训练过程中的动态调整和优化过程，分析曲线可知，模型在约400轮次时开始收敛，起初超参数处于探索阶段，各曲线均有较大波动，表明智能体正在尝试不同参数组合以寻找最优解。随着模型的训练和学习，最终奖励值逐渐收敛到0附近，证明模型得到了较好收敛，且两个关键超参数都逐渐趋于稳定状态，在动态变化中模型找到了最优的超参数值。

为验证模型的泛化性与可靠性，对样本集以外的受试者整晚睡眠状态进行分类预测，图8为本文模型自动睡眠分期与睡眠专家手动分期的对比结果，图中N代表样本数，每个样本对应于30 s的睡眠状态。可见本文模型的分期结果与专家手动分期结果整体上呈现高度的一致性，证明本文模型具有较好的睡眠分期能力，可有效辅助临床分期任务。

3.4.1 混淆矩阵与性能指标

图9为本文DRL-DenseNet算法结果的混淆矩阵，对角线位置表示正确分类的样本比例，其他位置则表示被错误分成其他类别的样本比例，颜色越深，表明比例越高。表2为模型对于每个类别的预测性能指标，其中W、N2、N3阶段都达到了较高的准确率，最难识别的N1阶段的F1值也达到了61.81%。实验结果表明，本文算法具有良好的分期性能。

3.4.2 相关研究方法对比

为进一步证明本文算法的有效性，将本文分期实验结果与近年来使用相同数据集的先进分期算法进行比较，如表3所示。其中文献［23］为多模态电生理信号输入，其余为单通道EEG信号输入，文献［24］使用Transformer模型，基于自注意力机制捕捉睡眠信号特征，文献［25，26］结合了多尺度CNN和多头注意力机制完成分期任务，文献［27］提出了轻量化的多尺度CNN网络模型。从表中对比得出，本文DRL-DenseNet分期算法在总体与每类性能中均取得了最优表现，与其余算法相比具有更好的分类性能。

4 结束语

本文提出了一种基于深度强化学习超参数优化的改进密集连接网络的睡眠分期方法，以解决目前基于脑电的自动睡眠分期方法中存在的信号特征提取与利用不充分、关键超参数手工调整优化效果差而导致的分期准确率低的问题。该方法将单通道睡眠EEG信号输入到改进密集连接网络中进行充分的特征提取，通过其特征重用有效利用所有层级的特征信息，加强特征传播；同时利用深度确定性策略梯度算法在模型学习训练过程中对关键超参数进行自动连续控制与优化，从而有效提升睡眠分期准确率。通过多组消融实验以及与相关方法作对比，证明了本文方法的有效性，为自动睡眠分期研究提供了新的有效解决方案。在未来的研究工作中，笔者将进一步优化本文方法，以提升对睡眠过渡阶段N1的辨识准确率，进而增强模型整体性能，为后期睡眠改善研究提供技术支持。

参考文献：

［1］Chen Baixin，Vgontzas A N，Li Yun. Good sleep and health ［J］. The Lancet Healthy Longevity，2023，4（7）： e295-e296.

［2］Chriskos P，Frantzidis A C，Nday M C，et al. A review on current trends in automatic sleep staging through biosignal recordings and future challenges ［J］. Sleep Medicine Reviews，2021，55： 101377.

［3］Berry R B，Brooks R，Gamaldo C，et al. AASM scoring manual updates for 2017 （Version 2. 4） ［J］. Journal of Clinical Sleep Medi-cine，2017，13（5）： 665-666.

［4］柏浩冉，张伟，陆冠泽. 基于多尺度深度网络的自动睡眠分期 ［J］. 中国生物医学工程学报，2021，40（2）： 170-176. （Bai Haoran，Zhang Wei，Lu Guanze. Multi-scale deep network for automatic sleep staging ［J］. Chinese Journal of Biomedical Engineering，2021，40（2）： 170-176.）

［5］Phan H，Mikkelsen K. Automatic sleep staging of EEG signals： recent development，challenges，and future directions ［J］. Physiological Measurement，2022，43（4）： 04TR01.

［6］韦泓妤，陈黎飞，罗天健. 运动想象脑电信号的跨域特征学习方法 ［J］. 计算机应用研究，2022，39（8）： 2340-2346，2351. （Wei Hongyu，Chen Lifei，Luo Tianjian. Cross-domain feature learning method for motor imagery EEG signals ［J］. Application Research of Computers，2022，39（8）： 2340-2346，2351.）

［7］Ghimatgar H，Kazemi K，Helfroush S M，et al. An automatic single-channel EEG-based sleep stage scoring method based on hidden Markov model ［J］. Journal of Neuroscience Methods，2019，324： 108320.

［8］许力，吴云肖，肖冰，等. 基于一维卷积神经网络的儿童睡眠分期 ［J］. 工程科学学报，2021，43（9）： 1253-1260. （Xu Li，Wu Yun-xiao，Xiao Bing，et al. One-dimensional convolutional neural network for children’s sleep sta-ging ［J］. Chinese Journal of Engineering，2021，43（9）： 1253-1260.）

［9］Liu Junbiao，Wu Duanpo，Wang Zimeng，et al. Automatic sleep staging algorithm based on random forest and hidden Markov model ［J］. Computer Modeling in Engineering & Sciences，2020，123（1）： 401-426.

［10］Mousavi S，Afghah F，Acharya U R. SleepEEGNet： automated sleep stage scoring with sequence to sequence deep learning approach ［J］. PLoS One，2019，14（5）： e0216456.

［11］Supratak A，Guo Yike. TinySleepNet： an efficient deep learning mo-del for sleep stage scoring based on raw single-channel EEG ［C］// Proc of the 42nd Annual International Conference of IEEE Enginee-ring in Medicine and Biology Society. Piscataway，NJ：IEEE Press，2020： 641-644.

［12］Lee M，Kwak H，Kim H，et al. SeriesSleepNet： an EEG time series model with partial data augmentation for automatic sleep stage scoring ［J］. Frontiers in Physiology，2023，14： 1188678.

［13］Goshtasbi N，Boostani R，Sanei S. SleepFCN： a fully convolutional deep learning framework for sleep stage classification using single-channel electroencephalograms ［J］. IEEE Trans on Neural Systems and Rehabilitation Engineering，2022，30： 2088-2096.

［14］Yang Chenguang，Li Baozhu，Li Yamei，et al. LWSleepNet： a lightweight attention-based deep learning model for sleep staging with single channel EEG ［J］. Digital Health，2023，9： 20552076231188206.

［15］周鹏，叶庆卫，罗慧艳，等. 基于最优子段深度学习的手指运动想象脑电信号分类研究 ［J］. 计算机应用研究，2023，40（6）： 1728-1733. （Zhou Peng，Ye Qingwei，Luo Huiyan，et al. Finger motor imagery based on optimal sub-segment deep learning research on EEG signal classification ［J］. Application Research of Computers，2023，40（6）： 1728-1733.）

［16］Haghayegh S，Hu Kun，Stone K，et al. Automated sleep stages classification using convolutional neural network from raw and time-frequency electroencephalogram signals： systematic evaluation study ［J］. Journal of Medical Internet Research，2023，25： e40211.

［17］陈建平，何超，刘全，等. 增强型深度确定策略梯度算法 ［J］. 通信学报，2018，39（11）： 106-115. （Chen Jianping，He Chao，Liu Quan，et al. Enhanced deep deterministic policy gradient algorithm ［J］. Journal on Communications，2018，39（11）： 106-115.）

［18］Huang Gao，Liu Zhuang，Pleiss G，et al. Convolutional networks with dense connectivity ［J］. IEEE Trans on Pattern Analysis and Machine Intelligence，2022，44（12）： 8704-8716.

［19］Niso G，Romero E，Moreau J T，et al. Wireless EEG： a survey of systems and studies ［J］. Neuroimage，2023，269： 119774.

［20］Hu Xinyi，Fang Hangxiang，Zhang Ling，et al. Dynamic connection pruning for densely connected convolutional neural networks ［J］. Applied Intelligence，2023，53（16）： 19505-19521.

［21］Probst P，Boulesteix A L，Bischl B. Tunability： importance of hyperparameters of machine learning algorithms ［J］. Journal of Machine Learning Research，2019，20： 1-32.

［22］Goldberger A L，Amaral L A N，Glass L，et al. PhysioBank，Physio-Toolkit，and PhysioNet： components of a new research resource for complex physiologic signals ［J］. Circulation，2000，101（23）： e215-e220.

［23］Zheng Yubo，Luo Yingying，Zou Bing，et al. MMASleepNet： a multimodal attention network based on electrophysiological signals for automatic sleep staging ［J］. Frontiers in Neuroscience，2022，16： 973761.

［24］Phan H，Mikkelsen K B，Chen O，et al. SleepTransformer： automatic sleep staging with interpretability and uncertainty quantification ［J］. IEEE Trans on Biomedical Engineering，2022，69（8）： 2456-2467.

［25］Zhou Wei，Zhu Hangyu，Shen Ning，et al. A lightweight segmented attention network for sleep staging by fusing local characteristics and adjacent information ［J］. IEEE Trans on Neural Systems and Rehabilitation Engineering，2023，31： 238-247.

［26］Eldele E，Chen Zhenghua，Liu Chengyu，et al. An attention-based deep learning approach for sleep stage classification with single-channel EEG ［J］. IEEE Trans on Neural Systems and Rehabilitation Engineering，2021，29： 809-818.

［27］Fiorillo L，Favaro P，Faraci F D. DeepSleepNet-Lite： a simplified automatic sleep stage scoring model with uncertainty estimates ［J］. IEEE Trans on Neural Systems and Rehabilitation Engineering，2021，29： 2076-208.

收稿日期：2024-01-09；修回日期：2024-03-04 基金项目：国家自然科学基金资助项目（62101312）；陕西省科技厅工业项目（2024GX-YBXM-544）

作者简介：赵彦晶（2000—），女，河北张家口人，硕士研究生，CCF会员，主要研究方向为脑电信号处理、深度学习；周强（1969—），男（通信作者），重庆人，教授，博导，博士，主要研究方向为智能信息处理、机器学习（zhouqiang@sust.edu.cn）；刘鑫（2000—），男，陕西商洛人，硕士研究生，主要研究方向为机器视觉、图像处理；李婉（1989—），女，陕西西安人，讲师，博士，主要研究方向为图像重构、压缩感知；田蕴郅（1998—），男，陕西渭南人，硕士研究生，主要研究方向为图像处理、深度学习.