3、睡眠监测原理：常见睡眠阶段、生理信号与监测方法
在进入TinyML模型部署之前，必须首先理解我们正在处理的数据从何而来、代表什么生理含义，以及如何被划分为不同的睡眠阶段。睡眠监测并非简单的“睡着/清醒”二分类，而是一个涉及多通道生理信号采集、特征提取与时序状态判别的复杂过程。本章将系统梳理睡眠阶段的划分标准、核心生理信号的特征与采集方式，以及从信号到睡眠分期的工程化方法，为后续ONNX模型转换中的输入张量设计、预处理算子嵌入和输出标签映射奠定生理学与信号处理基础。
3.1 睡眠阶段的生理学基础与AASM分期标准
睡眠并非一个均一的静止状态，而是由多个具有不同神经生理特征的阶段循环组成的动态过程。根据美国睡眠医学会（AASM）发布的最新版《睡眠及其相关事件判读手册》，成年人的睡眠被划分为清醒期（Wake, W）、非快速眼动睡眠期（NREM）和快速眼动睡眠期（REM）。其中NREM期又进一步细分为N1、N2、N3三个阶段，N3即通常所说的深睡期或慢波睡眠期。每个阶段都具有独特的脑电、眼电和肌电特征，这些特征构成了自动睡眠分期算法的生理学依据。
从神经机制来看，清醒期以高频低幅的β波（>13 Hz）为主，伴随持续的颏肌张力与快速眼球运动；N1期是从清醒到睡眠的过渡阶段，脑电以α波（8-13 Hz）减弱、θ波（4-8 Hz）出现为标志，眼球运动变为缓慢滚动；N2期以睡眠纺锤波（sigma波，12-14 Hz）和K复合波为特征性事件，肌电进一步降低；N3期则以高幅慢波（δ波，0.5-4 Hz）占比超过20%为判读标准，此时肌电处于全天最低水平；REM期脑电呈现类似清醒的混合频率模式，但肌电显著抑制（张力消失），并伴随快速眼球运动。整夜睡眠通常以约90分钟为一个周期，在NREM与REM之间交替，前半夜以深睡为主，后半夜REM期逐渐延长。
| 睡眠阶段 | EEG特征 | EOG特征 | EMG特征 | 典型占比（成人） |
|---|---|---|---|---|
| 清醒（W） | β波为主，α波（闭眼） | 快速眨眼/扫视 | 高张力，活动频繁 | 5-10% |
| N1（浅睡1期） | α波消退，θ波出现 | 缓慢眼球滚动 | 张力较清醒降低 | 2-5% |
| N2（浅睡2期） | 睡眠纺锤波、K复合波 | 无眼球运动 | 张力进一步降低 | 45-55% |
| N3（深睡） | δ波占比≥20% | 无眼球运动 | 张力最低 | 13-23% |
| REM（快速眼动） | 混合频率，类似N1 | 快速眼球运动 | 张力显著抑制 | 20-25% |
理解这些生理特征对于TinyML模型设计至关重要。例如，N2期的睡眠纺锤波频率集中在12-14 Hz，这要求模型输入特征在频域上具有足够的频率分辨率；而REM期的肌电抑制特征则提示我们，在特征融合时应当将EMG通道的时域能量作为重要判别维度。在后续ONNX模型转换中，输入张量的通道顺序、特征组合方式都需要与这些生理学先验知识保持一致。
3.2 核心生理信号：EEG、EOG、EMG与加速度
多导睡眠监测（PSG）是临床睡眠分期的金标准，其核心信号包括脑电图（EEG）、眼电图（EOG）、肌电图（EMG）以及用于辅助判断体动和睡眠姿势的加速度信号。在可穿戴TinyML场景中，信号通道数量往往被大幅缩减，但理解每种信号的生理意义和采集要点仍然是构建可靠模型的前提。
EEG（脑电图）是睡眠分期最核心的信号来源。标准PSG采用国际10-20系统放置电极，睡眠分期通常使用C3-A2、C4-A1等中央区导联。EEG信号幅度通常在10-100 μV之间，主要频率成分集中在0.5-35 Hz。在TinyML应用中，考虑到电极数量和佩戴舒适性，常采用单通道或双通道干电极EEG。采样率方面，根据奈奎斯特定理，要捕捉到35 Hz以内的EEG成分，采样率至少需要70 Hz，实际设备通常设置为128 Hz或256 Hz以留出滤波余量。EEG信号极易受到眼电、肌电和工频干扰，预处理阶段需要设计带通滤波器和陷波器。
EOG（眼电图）记录的是角膜-视网膜电位差随眼球运动产生的变化。在睡眠分期中，EOG主要用于识别REM期的快速眼球运动和N1期的缓慢眼球运动。标准EOG采集使用左右眼外侧1 cm处的电极，参考点为同侧耳垂。EOG信号幅度较大（50-200 μV），频率较低（0.5-5 Hz），与EEG的δ波和θ波频段存在重叠，这也是EOG伪迹容易污染EEG信号的原因。在可穿戴设备中，EOG通道常被用于辅助判别REM期，但并非所有设备都包含此通道。
EMG（肌电图）在睡眠分期中主要记录颏下肌群的电活动。EMG信号幅度与肌肉张力直接相关，清醒期张力高，NREM期逐渐降低，REM期则出现特征性的张力消失。EMG信号的频率范围较宽（10-200 Hz），幅度变化大。在TinyML模型中，EMG通道的时域能量（如均方根值）和频域特征（如高频功率占比）是区分REM期与其他阶段的重要线索。值得注意的是，EMG信号容易受到吞咽、磨牙等动作的干扰，需要结合加速度信号进行联合判断。
加速度信号来自可穿戴设备内置的三轴加速度计，用于检测体动和睡眠姿势变化。虽然加速度信号不直接参与AASM标准分期，但在实际睡眠监测中具有重要价值：体动事件可以帮助识别清醒期与睡眠期的边界；在TinyML边缘设备中，加速度信号可以作为低功耗的预筛选条件——当检测到持续体动时，可以唤醒EEG采集和模型推理，否则进入低功耗模式。加速度信号的采样率通常较低（25-50 Hz），计算特征包括合成向量幅度（SVM）、倾角变化和体动计数等。
信号采集要点总结：
- EEG采样率建议≥128 Hz，带通滤波0.5-35 Hz，工频陷波50/60 Hz
- EOG采样率可低至64 Hz，带通滤波0.5-5 Hz，注意与EEG低频段区分
- EMG采样率建议≥256 Hz，带通滤波10-100 Hz，避免与ECG信号混淆
- 加速度采样率25-50 Hz即可，使用低通滤波去除高频抖动
- 所有通道需保持时间同步，TinyML设备需考虑时钟漂移补偿
3.3 睡眠监测方法与自动分期流程
传统睡眠监测依赖睡眠技师人工判读整夜PSG记录，每30秒为一个分期窗口（称为一帧），整夜8小时睡眠共产生约960帧数据。人工判读不仅耗时（约需2-4小时），且不同技师之间的判读一致性仅为80%左右。自动睡眠分期算法旨在通过信号处理和机器学习方法，实现客观、高效、可重复的分期结果。
自动睡眠分期的标准流程包括四个主要环节：信号预处理、特征提取、模型推理和后处理。在信号预处理阶段，原始信号经过带通滤波去除噪声和伪迹，然后被切分为30秒的连续窗口。特征提取阶段从每个窗口中计算多维特征，包括频域特征（各频段功率谱密度、谱熵、频谱边缘频率）、时域特征（幅度均值、方差、过零率、Hjorth参数）以及非线性特征（样本熵、去趋势波动分析）。在传统机器学习方法中，这些特征被输入到分类器（如随机森林、支持向量机）中进行分期；而在深度学习方法中，原始波形或时频图直接作为卷积神经网络或循环神经网络的输入，特征提取由模型自动完成。
对于TinyML部署场景，模型输入的设计需要特别考虑边缘设备的计算和存储约束。以ONNX转换为例，如果采用1D-CNN模型，输入张量形状通常为[batch, channels, time_steps]，其中channels对应EEG、EOG、EMG等信号通道数，time_steps对应30秒窗口内的采样点数（例如128 Hz采样率下为3840点）。如果采用2D-CNN处理时频图，输入张量则为[batch, channels, freq_bins, time_frames]。在ONNX转换时，需要确保输入张量的形状、数据类型（float32或量化后的int8）和通道顺序与训练时完全一致。
// 以128 Hz采样率、30秒窗口、3通道（EEG+EOG+EMG）为例
// 输入张量形状: [1, 3, 3840]
// ONNX 模型输入定义示例
input: name = "input_signal"
type = float32[1, 3, 3840]
// 输出张量形状: [1, 5] 对应 W/N1/N2/N3/REM 的概率
output: name = "sleep_stage_prob"
type = float32[1, 5]后处理阶段通常包括平滑滤波和规则约束。由于睡眠阶段在时间上具有连续性，单帧分类结果中偶尔出现的孤立跳变（如N2中单帧判为REM）可以通过多数投票或隐马尔可夫模型进行平滑。在TinyML设备上，后处理逻辑通常以C语言实现，部署在MCU端，与ONNX模型推理结果串联。
3.4 案例拆解：从PSG到可穿戴TinyML的简化实践
为帮助理解上述原理在实际项目中的应用，这里以一个简化的可穿戴睡眠监测设备开发案例进行拆解。该案例的目标是在一颗Cortex-M4内核的MCU（主频80 MHz，RAM 256 KB，Flash 1 MB）上实现实时睡眠分期，模型需通过ONNX转换并量化为INT8格式。
项目背景与约束：设备采用单通道EEG（干电极，采样率128 Hz）+ 三轴加速度（采样率25 Hz）。由于MCU资源有限，无法运行复杂的深度学习模型，因此采用轻量级1D-CNN，参数量控制在50K以内。训练数据来自公开数据集Sleep-EDF，包含78名受试者的整夜PSG记录，划分为训练集（60人）、验证集（9人）和测试集（9人）。
初始现象与目标：初始模型在PC端（Python环境）的测试准确率为82%，但直接转换为ONNX并部署到MCU后，推理时间长达3.2秒/帧，远超30秒的实时要求。目标是将单帧推理时间压缩至200毫秒以内，同时保持准确率不低于78%。
关键参数与指标：模型输入为1×1×3840的EEG窗口（单通道），输出为5类概率。ONNX模型原始大小为1.8 MB，量化后目标为200 KB以内。MCU的Flash空间有限，需要将模型和推理代码整体控制在512 KB以内。
分析判断过程：通过ONNX Runtime的profiling工具分析，发现模型推理时间主要消耗在大量浮点卷积运算上。进一步分析模型结构，发现第一层卷积核尺寸为64，步长为1，导致计算量过大。同时，模型使用float32权重，在MCU上需要软件模拟浮点运算，效率低下。
实际操作步骤：
- 将模型第一层卷积核从64缩减至32，步长调整为2，降低输入分辨率。
- 使用ONNX Runtime的量化工具，将模型权重从float32量化为int8，激活值使用动态量化。
- 将模型中的BatchNorm层与卷积层融合，减少推理时的计算分支。
- 在MCU上使用CMSIS-NN优化库进行推理加速。
结果对比：优化后模型大小降至180 KB，单帧推理时间降至180毫秒，满足实时性要求。测试集准确率为79.2%，略高于78%的目标线。量化带来的精度损失约为2.8个百分点，在可接受范围内。
风险与代价：模型压缩导致对N1期的识别准确率下降明显（从65%降至52%），这是因为N1期与清醒期和N2期的边界模糊，特征区分度低。后续通过增加数据增强（对N1期样本进行时域扭曲）和调整损失函数权重（提高N1期权重）来缓解。
复盘经验：在TinyML场景中，模型设计必须从一开始就考虑硬件约束，而不是在训练完成后再进行压缩。ONNX转换和量化不是简单的格式转换，而是需要与模型结构优化、硬件特性适配协同进行的系统工程。睡眠分期的生理学先验知识（如N1期难分、REM期依赖EMG特征）应当指导模型设计和训练策略。
常见误区提醒：
- 误区一：认为采样率越高越好。高采样率导致数据量增大，增加MCU的存储和计算负担，应根据信号最高频率成分合理选择采样率。
- 误区二：忽略通道间同步。EEG和加速度信号如果时间不同步，会导致体动事件与脑电特征错位，影响分期准确性。
- 误区三：直接使用PC端模型的ONNX导出结果。PC端模型可能包含MCU不支持的算子（如某些高级激活函数），需要检查算子兼容性。
- 误区四：忽视数据分布偏移。公开数据集（如Sleep-EDF）与真实可穿戴设备采集的信号在噪声水平、电极位置、采样率方面存在差异，需要进行域适应或微调。
睡眠监测原理是TinyML模型设计和部署的生理学基石。只有深入理解各睡眠阶段的信号特征、掌握多通道生理信号的采集要点、熟悉自动分期的标准流程，才能在ONNX转换和边缘部署中做出合理的工程决策。下一环节中，我们将基于本章的生理信号基础，进一步探讨如何将训练好的睡眠分期模型转换为ONNX格式，并针对MCU平台进行优化。