手把手教你用Attensleep实现单通道EEG睡眠分期（附PyTorch代码）

手把手构建Attensleep：从单通道EEG到高精度睡眠分期的工程实践

最近在医疗AI的落地项目里，睡眠分期是个绕不开的经典问题。传统的多导睡眠图（PSG）设备笨重、成本高，极大地限制了家庭场景和长期监测的应用。而单通道脑电图（EEG）凭借其便捷性，成为了一个极具吸引力的替代方案。但问题也随之而来：单通道信号信息量有限，如何从中精准地识别出Wake、N1、N2、N3、REM这五个睡眠阶段，对模型的“火眼金睛”提出了极高要求。

我花了不少时间复现和调优各种前沿模型，其中Attensleep（基于注意力的单通道EEG睡眠分期模型）给我留下了深刻印象。它不像某些“黑箱”模型那样难以捉摸，其多分辨率卷积（MRCNN）、自适应特征重标定（AFR） 和时间上下文编码器（TCE） 的设计思路清晰，工程上也有不少值得玩味的细节。这篇文章，我就从一个实践者的角度，带你一步步用PyTorch把Attensleep“搭”起来，并分享在数据预处理、模块调参和因果卷积实现中踩过的坑和总结的技巧。无论你是刚入门的医疗AI开发者，还是正在寻找更优方案的生物信号处理工程师，相信这些一手经验都能带来些启发。

1. 工程基石：单通道EEG数据的预处理管道

在把数据喂给模型之前，80%的工作量可能都花在了数据准备上。对于睡眠EEG，这不仅仅是读取一个.edf文件那么简单。公开数据集如Sleep-EDF、SHHS虽然提供了宝贵资源，但其格式、标注标准不一，直接使用往往会导致模型表现不稳定。

1.1 数据读取与标准化清洗

首先，我们需要一个健壮的读取器。我推荐使用mne库，它是处理神经生理信号的瑞士军刀。但要注意，不同数据集的通道命名可能不同，比如Sleep-EDF中的Fpz-Cz和SHHS中的C4-A1，我们需要统一映射。

import mne
import numpy as np

def load_edf_to_raw(edf_path, target_channel='EEG Fpz-Cz'):
    """
    加载EDF文件，并提取目标单通道数据。
    参数：
        edf_path: EDF文件路径
        target_channel: 字符串或列表，指定需要的通道名
    返回：
        raw_data: 单通道数据数组 (n_epochs, epoch_length)
        labels: 对应的睡眠分期标签数组 (n_epochs,)
        sfreq: 采样频率
    """
    raw = mne.io.read_raw_edf(edf_path, preload=True, verbose=False)
    # 通道选择与重命名处理（示例）
    if target_channel not in raw.ch_names:
        # 尝试常见别名映射
        channel_mapping = {'EEG Fpz-Cz': ['Fpz-Cz', 'FPZ-CZ'],
                           'EEG C4-A1': ['C4-A1', 'C4-A1']}
        for possible_name in channel_mapping.get(target_channel, []):
            if possible_name in raw.ch_names:
                raw.rename_channels({possible_name: target_channel})
                break
        else:
            raise ValueError(f"目标通道 {target_channel} 未在文件中找到。可用通道：{raw.ch_names}")

    raw.pick_channels([target_channel])
    sfreq = raw.info['sfreq']
    # 后续进行分段和标签对齐...
    return raw_data, labels, sfreq

数据清洗有几个关键步骤，直接关系到模型的天花板：

• 无效阶段剔除：原始标注中常包含UNKNOWN或Movement等阶段，需要直接过滤掉。
• 阶段合并：遵循美国睡眠医学会（AASM）标准，将N3和N4合并为N3阶段。
• 清醒期裁剪：只保留睡眠开始前后各30分钟的清醒期（Wake），这能迫使模型更关注睡眠-觉醒转换的关键特征，而不是被大段睡前醒着的时间主导。
• 重采样与滤波：将不同数据集统一到相同的采样率（如100Hz），并施加一个带通滤波器（如0.3-35Hz）以去除工频干扰和基线漂移。

1.2 数据增强与序列化策略

单通道EEG数据量往往有限，尤其是N1期样本通常稀少。适度的数据增强能有效防止过拟合。对于时序信号，我常用的增强方法有：

1. 随机缩放（Random Scaling）：对信号幅度进行微小随机缩放，模拟个体间信号强度的差异。
2. 随机滑动（Random Shift）：在时序上进行微小滑动，增加时间维度的鲁棒性。
3. 高斯噪声注入：添加微量的高斯白噪声，提升模型抗干扰能力。

注意：数据增强的强度必须非常克制，避免破坏EEG信号的生理意义。例如，缩放因子通常控制在[0.95, 1.05]之间，噪声的幅度远小于信号幅度。

原始Attensleep论文使用单个30秒epoch作为输入。但在实践中，睡眠阶段具有强时间依赖性。一个更有效的策略是采用滑动窗口序列输入。例如，以当前epoch为中心，前后各取一个epoch，形成3个连续epoch的序列作为模型输入，但只预测中间epoch的标签。这能让TCE模块更好地捕捉上下文信息，通常能带来1-2个百分点的性能提升。

def create_sequential_samples(data, labels, window_size=3):
    """
    将epoch数据组织成序列样本。
    参数：
        data: 形状为 (n_epochs, epoch_length) 的数组
        labels: 形状为 (n_epochs,) 的数组
        window_size: 序列长度（必须为奇数，如3,5,7）
    返回：
        seq_data: 形状为 (n_samples, w