频繁的睡眠微觉醒可能会导致严重的健康问题,如神经认知障碍、精神状况问题以及心血管疾病。睡眠多导图监测人体在睡眠过程中的生理信号变化,是睡眠障碍诊断的黄金标准。临床环境中,医生需要仔细检查患者的睡眠多导图记录,以确定潜在的睡眠障碍。医生注释的过程会带来很大的工作量,因此需要建立自动化标注模型来代替手工注释过程。Physionet数据库提供了 994例患有睡眠障碍病人的带注释的睡眠多导图,本文基于此数据库构建了一个基于特征提取的双向LSTM微觉醒模型。基于临床医学知识和特征选择技术,本文从睡眠多导图13个信号通道中提取了 62个包含生物学信息的特征。这些特征包括从脑电和肌电信号中提取的功率谱密度值和熵值,从气流、胸部和腹部信号提取的呼吸紊乱系数,从心电信号中提取的心率变异性值,从眼电信号提取的波形时域特征,以及从血氧通道提取的低氧负荷值等。将这些特征拼接组合,归一化后进入分类器。分类器由三部分组成,第一层采用双向LSTM网络,双向LSTM网络可以连接过去和未来的信号信息到当前输入片段上。第二层采用两个并行的50个节点组成的全连接网络,一个全连接网络用于输出微觉醒判断结果,另一个全连接网络用于输出睡眠分期结果。最后使用softmax输出预测结果。在数据预处理中,采用smote算法处理类别不平衡的问题。在训练过程中,采用交叉熵辅助损失函数,将微觉醒检测作为主任务,将睡眠分期作为辅助的训练任务,将两个任务的损失函数进行加权求和。本文讨论了不同通道组合检测微觉醒事件能力的大小,得出呼吸、胸部和腹部信号组合检测能力最强,脑电和肌电通道组合次之。五次交叉验证后,集成模型的AUPRC和AUROC分别为0.481和0.878。结果表明,本文提出的方法可以帮助医生更快地识别PSG图像,并且避免了医生地主观错误。