摘要
睡眠对于维持人类健康和生活质量至关重要。分析睡眠期间的生理信号是评估睡眠质量及诊断睡眠障碍的关键手段。然而，临床医生进行的 manually 诊断耗时且具有主观性。尽管深度学习技术的进步显著提升了自动化水平，但现有方法仍严重依赖大规模标注数据集。本研究提出 SynthSleepNet，一种面向多导睡眠图（Polysomnography, PSG）数据分析的多模态混合自监督学习框架。SynthSleepNet 通过有效融合掩码预测（masked prediction）与对比学习（contrastive learning），充分挖掘脑电图（EEG）、眼电图（EOG）、肌电图（EMG）和心电图（ECG）等多种模态之间的互补特征，从而学习到高度表征性的 PSG 数据表示。此外，研究进一步设计了一种基于 Mamba 架构的时序上下文模块，以高效捕捉多信号间的时序依赖关系。在三个下游任务——睡眠分期分类、呼吸暂停检测和低通气检测中，SynthSleepNet 的性能显著优于现有最先进方法，分别达到 89.89%、99.75% 和 89.60% 的准确率。在标签数据有限的半监督学习场景下，模型仍表现出稳健性能，对应任务准确率分别为 87.98%、99.37% 和 77.52%。上述结果充分证明了 SynthSleepNet 作为 PSG 数据全面分析基础工具的巨大潜力。相较于其他方法，SynthSleepNet 在多项下游任务中均展现出全面优越的性能，有望成为睡眠障碍监测与诊断系统的新标准。