近日，澳门理工大学郭晶晶教授团队，提出一款名为 MSSC-BiMamba 的 AI 模型，能够捕捉多导睡眠图多模态数据特征，提升睡眠分期与睡眠障碍的诊断效率。

图 | 郭晶晶（来源：郭晶晶）

据介绍，考虑到多导睡眠监测的特点，该团队设计了这款多模态睡眠状态分类模型。

该模型结合了高效通道注意力机制和双向状态空间模型，能够有效捕捉多导睡眠图数据中的多维特征和长距离依赖关系，实现更准确的睡眠分期和睡眠障碍分类。

对于健康人群和睡眠障碍人群的睡眠阶段，本次算法具备不错的分类能力，在睡眠障碍的早期诊断上也具有较高准确性。

此外，本次算法的参数量仅有 0.47M，能够实现快速的推理。

这种轻量级的设计，让其可以部署在各种平台之上，从而为睡眠医疗提供降本增效的可能。

与此同时，这种高效的自动化睡眠分析系统，也有望成为传统多导睡眠图人工手动标注的替代或补充。

预计基于本次开发的深度学习睡眠分析算法，有望应用于以下几个方面：

其一，充当临床环境中的辅助诊断工具。

该算法可作为临床工具，减少手动标注的工作量和误差，帮助医生快速、准确地分析患者睡眠数据。

其二，用于远程医疗。

将算法部署在云端，患者可以在家中监测睡眠，并能将数据实时上传和分析，医生远程查看结果之后即可提供诊断意见。

其三，用于指导睡眠质量改善。

基于算法分析，相关应用可以生成个性化的睡眠改善建议，帮助用户调整生活方式和睡眠习惯。

其四，用于睡眠研究。

利用本次算法可以进行大规模的睡眠数据自动化分析，节省时间和人力成本，加速睡眠科学的研究进展。

其五，用于新药研发。

在新药研发的过程中，本次算法能够用于监测和分析药物对于睡眠的影响，为评估药物疗效提供客观的数据支持。

随着本次技术的发展和普及，预计它不仅能够用于医院和诊所，还可以集成到智能手表和可穿戴设备中，提供实时的睡眠监测和睡眠建议。

众所周知，睡眠是人类健康的基本要素，不仅涉及到多个阶段，而且对于认知功能和整体健康都至关重要。

然而，许多人正在面临各种睡眠问题，不仅影响生活质量并有可能导致健康问题。因此，准确地监测和分析睡眠状况，对于维护健康至关重要。

当前，监测和评估睡眠质量、以及诊断睡眠障碍，是医学领域的一大难题。

多导睡眠图，是监测睡眠阶段的黄金标准。其包含脑电图、眼电图、心电图等数据。

虽然多导睡眠图的数据相对详尽，但其分析过程需要专门设备和专业医师进行长时间的人工判断，不仅耗时而且容易产生主观误差。

此外，多导睡眠图通常局限于临床环境之中，难以普及到日常生活中。

事实上，该课题组之前一直专注于人工智能在药物发现领域的应用，本次研究也是他们首次尝试涉足数字医疗和智能健康领域。

一次偶然的机会，他们了解到一些医院的睡眠医学中心专注于睡眠障碍的监测与诊断。

在与临床医生交流之后，他们深切体会到医生在基于多导睡眠监测数据人工标注睡眠分期过程中所经历的繁琐和辛苦。

那一刻，他们萌生了一个想法：能否开发一个 AI 工具，帮助医生从繁重的标注任务中解脱出来？

后来，他们意识到：鉴于多导睡眠监测数据的复杂性，必须使用一种新型算法来处理。

在一次讨论中，有团队成员提出将高效通道注意力机制与双向状态空间模型结合起来。

研究人员表示：“这个想法非常新颖，因为高效通道注意力机制能够有效地捕捉多导睡眠图数据中的多维特征，而双向状态空间模型特别是双向 mamba 模型，则能处理数据中的长距离依赖关系。”

基于这个灵感，他们决定设计这款名为 MSSC-BiMamba 的多模态睡眠状态分类模型。

据了解，这也是将双向 Mamba 模型用于多模态多导睡眠图的首次尝试。

起初，课题组的目标是进行睡眠阶段分类，通过深度学习算法来区分不同的睡眠阶段，从而起到改善睡眠质量的作用。

一次实验室讨论中，一位团队成员提出这样一个问题：睡眠监测的目的，是为了评估患者是否存在睡眠障碍。

然而，目前大多数算法研究仅仅是做睡眠分期，而对于睡眠障碍的智能化诊断研究却相对较少，那么是否可以进行睡眠障碍的前期智能诊断？

这一提问点燃了他们的灵感之火，于是课题组决定探索如何利用 AI 算法进行睡眠障碍的诊断。

随后，他们从公开数据集中筛选出具有代表性的睡眠障碍和正常睡眠数据，并以此为基础来训练自己的深度学习模型。

数据收集完毕之后，他们针对算法加以改进，并逐渐将研究重点从单纯的睡眠分期、扩展到更具挑战性的睡眠障碍诊断。

完成研究之后，他们将相关论文以《MSSC-BiMamba：基于双向 Mamba 的多模态睡眠阶段分类及睡眠障碍早期诊断》（MSSC-BiMamba：Multimodal Sleep Stage Classification and Early Diagnosis of Sleep Disorders with Bidirectional Mamba）发在 arXiv[1]。

Chao Zhang 是第一作者，郭晶晶是通讯作者。

图 | 相关论文（来源：arXiv）

接下来，课题组将提高本次模型在不同数据集上的泛化能力和处理效率，并打算将其用于更大规模的多模态数据集，以验证其在实际应用中的效果。

与此同时，他们也将丰富睡眠障碍数据，比如丰富关于失眠症、睡眠呼吸暂停综合症、周期性肢体运动障碍等疾病的数据。

此外，该团队还将进一步地细化诊断标准，让模型能够更准确地区分不同类型的睡眠障碍，并提供更加有针对性的建议。

最后，他们还将开发线上交互式的睡眠分析平台，预计将能允许用户上传睡眠监测数据，实时获得专业的睡眠分析报告和个性化建议。

参考资料：

1.https://arxiv.org/abs/2405.20142

运营/排版：何晨龙