2、睡眠基础与生理信号：睡眠分期（清醒、浅睡、深睡、REM）、运动（加速度计）和心率（PPG/ECG）在睡眠中的变化规律
睡眠并非一个静态的“关机”状态，而是一个由多个生理系统协同演变的动态过程。对于TinyML睡眠状态识别而言，理解睡眠分期的生理学基础，是选择传感器、设计特征工程和构建分类模型的先决条件。本章将聚焦于睡眠分期的核心定义、运动信号（加速度计）与心率信号（PPG/ECG）在睡眠各阶段的变化规律，并探讨如何将这些生理规律转化为可计算的时序特征。我们将从临床睡眠医学的金标准（多导睡眠图，PSG）出发，逐步过渡到可穿戴设备所依赖的轻量级信号，为后续章节的模型训练奠定坚实的生理学与信号处理基础。
上图展示了从临床睡眠分期到TinyML特征建模的整体映射关系。在嵌入式设备上，我们无法直接测量脑电波（EEG），因此必须依赖加速度计和心率传感器来间接推断睡眠阶段。理解这种“间接推断”的生理依据，是本章的核心目标。
2.1 睡眠分期的核心原理：从PSG到可穿戴替代
临床睡眠医学将睡眠分为两大状态：非快速眼动睡眠（NREM）和快速眼动睡眠（REM）。NREM又进一步细分为浅睡期（N1、N2）和深睡期（N3）。多导睡眠图（PSG）通过同步记录脑电图（EEG）、眼电图（EOG）、下颌肌电图（EMG）、心电图（ECG）和呼吸气流等信号，由专业技师按照美国睡眠医学会（AASM）标准进行逐帧（通常为30秒/帧）分期。
在TinyML场景中，我们无法佩戴脑电帽入睡。因此，需要寻找与睡眠分期高度相关的替代信号。加速度计（通常佩戴于手腕）可以捕捉身体的粗大运动和细微颤动；PPG传感器（光电容积脉搏波）通过绿光或红光照射皮肤，测量血管容积变化，从而提取心率和心率变异性（HRV）。ECG虽然更精确，但在消费级可穿戴设备中，PPG因其低功耗和易集成性而成为主流选择。
2.2 运动信号（加速度计）在睡眠中的变化规律
加速度计是睡眠监测中最基础、功耗最低的传感器。其核心原理是检测重力加速度在三个轴（X/Y/Z）上的分量变化，从而判断手腕的姿态和运动。
2.2.1 清醒期（W）
清醒状态下，即使身体相对静止，手腕也会出现频繁的、幅度较大的位移变化，例如调整枕头、抓挠、翻身等。加速度计输出的方差（Variance）和信号幅值积分（Signal Magnitude Area, SMA）显著升高。此外，清醒时的运动模式具有明显的非周期性和突发性。
2.2.2 浅睡期（N1/N2）
进入浅睡后，全身骨骼肌张力逐渐降低，但仍有周期性的小幅体动。N1期（入睡期）常伴随缓慢的翻身动作；N2期（浅睡期）体动明显减少，但可能出现因睡眠纺锤波引起的短暂肌电活动。在加速度计信号上，表现为低频、低幅的波动，且运动事件之间的间隔时间变长。
2.2.3 深睡期（N3）
深睡期是身体修复的关键阶段，骨骼肌完全松弛，除呼吸肌和心肌外，几乎无主动运动。加速度计信号呈现极低的方差，波形接近平坦。此时，任何超过一定阈值的体动（如翻身）都可能导致睡眠阶段向上转换（N3→N2或N1）。因此，深睡期的加速度计特征是“长时间静默”。
2.2.4 REM期（快速眼动期）
REM期是梦境发生的阶段，大脑高度活跃，但身体处于“主动肌张力抑制”状态（REM atonia），以防止梦境中的动作付诸实践。然而，手指、脚趾和面部肌肉仍可能出现短暂的抽动。在手腕加速度计上，REM期通常表现为低幅、高频的抖动，与深睡期的“平坦”不同，REM期存在微小的波动。此外，REM期常伴随心率变异性的显著增加。
| 睡眠阶段 | 加速度计典型特征 | 心率（PPG/ECG）典型特征 | TinyML可提取特征 |
|---|---|---|---|
| 清醒（W） | 高方差、频繁大幅位移 | 心率较高（>70bpm），HRV较低 | SMA、过零率、峰值计数 |
| 浅睡（N1/N2） | 低频小幅运动，事件间隔长 | 心率下降（55-65bpm），HRV中等 | 运动熵、低频功率占比 |
| 深睡（N3） | 极低方差，信号平坦 | 心率最低（<55bpm），HRV高（副交感主导） | 静止时长、方差倒数 |
| REM | 低幅高频抖动，偶发抽动 | 心率波动大（50-70bpm波动），HRV极高 | 高频运动能量、HRV频谱LF/HF比 |
2.3 心率信号（PPG/ECG）在睡眠中的变化规律
心率并非恒定不变，而是受自主神经系统（ANS）调控。交感神经（SNS）使心率加快，副交感神经（PNS，即迷走神经）使心率减慢。睡眠过程中，ANS的平衡状态发生显著变化，这直接反映在心率（HR）和心率变异性（HRV）上。
2.3.1 心率（HR）的夜间趋势
从清醒到深睡，心率呈现进行性下降趋势。这主要是因为副交感神经活性逐渐增强，窦房结的自律性受到抑制。在N3期，心率通常降至夜间最低点。进入REM期后，交感神经活性突然增强，心率出现快速波动，甚至可能出现短暂的心率激增（与梦境内容相关）。这种“心率不稳定性”是区分REM与N3的关键生理标志。
2.3.2 心率变异性（HRV）的频谱意义
HRV是指逐次心跳周期差异的变化情况，它包含了自主神经系统对心血管系统调控的信息。在频域分析中，HRV主要分为高频带（HF，0.15-0.4Hz）和低频带（LF，0.04-0.15Hz）。
- HF带：主要反映副交感神经（迷走神经）活性，与呼吸性窦性心律不齐（RSA）相关。在深睡期，HF功率显著升高。
- LF带：反映交感神经和副交感神经的混合调节，但在睡眠研究中，LF/HF比值常被用作“交感-迷走平衡”的指标。在REM期，LF/HF比值升高，提示交感神经占优。
在TinyML设备上，由于计算资源有限，我们通常不直接计算完整的HRV频谱，而是使用时域指标（如SDNN、RMSSD）或简化的频带能量比。例如，通过计算相邻NN间期差值的均方根（RMSSD），可以间接反映副交感神经张力。
2.4 案例拆解：基于运动与心率特征的睡眠分期实战
为了将上述生理规律转化为可执行的TinyML方案，我们设计一个简化的案例：使用腕部加速度计和PPG传感器，区分“深睡（N3）”与“非深睡（浅睡+REM+清醒）”。
背景与约束：目标硬件为Cortex-M4F内核MCU（主频80MHz，RAM 64KB），传感器采样率：加速度计25Hz，PPG 25Hz。要求模型运行内存小于20KB，单次推理时间小于50ms。
初始现象：直接使用原始波形进行分类，准确率仅65%，且极易将REM期的低幅抖动误判为深睡。
分析判断过程：通过分析误分类样本，发现REM期与N3期在加速度计方差上非常接近，但REM期的心率波动（标准差）显著高于N3期。因此，单一模态特征不足以区分。
实际操作步骤：
- 特征提取（窗口长度60秒，步长30秒）：
- 加速度计特征：窗口内SMA（信号幅值积分）、过零率（ZCR）、方差。
- 心率特征：窗口内平均心率（AvgHR）、心率标准差（StdHR）、RMSSD（反映副交感活性）。
- 特征融合：将5维特征输入一个两层全连接神经网络（隐藏层16个节点，ReLU激活）。
- 阈值辅助：若SMA低于0.05g且StdHR低于3bpm，则直接判定为N3；否则进入神经网络分类。
结果对比：加入心率特征后，N3识别的F1分数从0.62提升至0.81。误判率显著下降，尤其是REM期被误判为N3的比例降低了40%。
风险与代价：PPG信号在睡眠后期可能因佩戴松动而质量下降，导致StdHR计算不准。为此，系统增加了信号质量指数（SQI）判断，当SQI过低时，回退到仅使用加速度计特征的模式。
复盘经验：睡眠分期是一个时序依赖问题，单纯依靠当前窗口的特征存在天花板。后续可引入前一窗口的预测结果作为输入（状态记忆），以进一步提升准确率。
2.5 常见误区与总结复盘
在设计和部署TinyML睡眠识别模型时，开发者常陷入以下误区：
总结复盘：本章的核心在于建立“生理状态→信号特征→分类标签”的映射逻辑。对于TinyML工程师而言，理解睡眠分期的生理学意义，比盲目堆叠神经网络层数更为重要。在资源受限的设备上，简洁的决策树或逻辑回归模型，配合精心设计的时域和频域特征，往往能取得与复杂深度学习模型相当的效果。关键在于特征是否真正捕捉到了自主神经系统和体动调节的本质变化。