基于单通道脑电信号的自动睡眠分期：从特征工程到机器学习实践

简介：本资源是一套面向计算机及相关专业本科生的高分毕业设计项目，聚焦单通道脑电信号的自动睡眠分期任务，为正在开展毕设、课程设计或期末大作业的学生提供可直接运行的完整解决方案。资源包含22个文件，涵盖12个核心Python脚本（如数据预处理、模型训练、预测推理、Web服务部署等）、3个文本说明文件、2个预训练模型（.pt格式）、以及HTML报告、Markdown文档、Shell执行脚本和PNG可视化图，压缩包仅10.66MB，结构清晰、模块解耦，便于理解与二次开发。已有163人学习下载，项目经导师指导并获99分评审成绩，配套详细文档说明与全部原始数据，代码注释充分、依赖明确（requirements.txt）、环境配置简易，零基础学生亦可顺利完成本地复现与功能拓展。

1. 项目概述：从脑电信号到睡眠分期

如果你对脑电信号处理和机器学习感兴趣，并且手头恰好有一些单通道的脑电数据，那么“基于单通道脑电信号的自动睡眠分期”这个项目，绝对是一个能让你深入理解信号处理、特征工程和分类算法全流程的绝佳练手课题。它不像那些动辄需要几十个电极、专业脑电帽的复杂研究，单通道数据（通常来自Fpz-Cz或Pz-Oz等位置）降低了硬件门槛，但其中蕴含的从原始波形中解读睡眠结构（Wake, N1, N2, N3, REM）的挑战，却一点也没减少。

简单来说，这个项目的目标就是教会计算机像睡眠专家一样，看懂一段连续的脑电信号，并自动将其划分成不同的睡眠阶段。这听起来很酷，对吧？其核心价值在于，它为我们提供了一套完整的、可复现的“数据→特征→模型→评估”的机器学习pipeline模板。无论你是生物医学工程的学生想入门睡眠分析，还是机器学习开发者想找一个有明确生理意义且数据相对规整的实际应用场景，这个项目都能提供从理论到代码的扎实参考。我当年就是从类似的项目入手，才真正搞明白了时频分析和序列建模是怎么在生物信号上“落地”的。

2. 核心思路与技术选型解析

2.1 为什么是单通道？

多通道脑电（EEG）固然能提供更丰富的空间信息，但对于睡眠分期，尤其是基于标准R&K或AASM准则的研究，中央区（如C4-A1）或枕区（O2-A1）的单通道信号已经包含了区分各睡眠期的主要节律信息。例如，清醒期（Wake）的α波（8-13 Hz）、慢波睡眠期（N3）的δ波（0.5-4 Hz）、快速眼动期（REM）的低幅混合波等特征，在单通道上均有显著体现。选择单通道，极大地简化了数据采集、预处理和计算的复杂度，使得研究重点可以更聚焦于特征提取和分类算法本身，非常适合算法验证和教学目的。

2.2 整体技术路线图

一个标准的自动睡眠分期pipeline通常遵循以下步骤，我们的项目源码也将围绕此展开：

1. 数据加载与理解：读取标准的EDF（European Data Format）格式的脑电数据及对应的专家标注文件（通常为.hyp或.csv）。
2. 数据预处理：这是保证后续分析质量的关键。包括工频滤波（去除50/60Hz电源干扰）、带通滤波（提取0.5-35Hz的有效睡眠脑电成分）、重采样至统一频率（如100Hz）、以及可能的分段和标准化。
3. 特征工程：这是项目的灵魂。从每个时间片段（如30秒的epoch）中提取能够表征不同睡眠阶段的特征。这些特征通常涵盖时域、频域和非线性动力学域。
4. 数据集构建与划分：将特征和标签（睡眠分期）组织成样本，并按被试者划分训练集、验证集和测试集，避免数据泄露。
5. 模型构建与训练：选择合适的机器学习或深度学习模型进行训练。传统方法如随机森林、梯度提升树，现代方法则更多使用CNN、RNN（如LSTM）或它们的混合模型（如CNN-LSTM）来捕捉时空特征。
6. 模型评估与可视化：使用混淆矩阵、分类报告（精确率、召回率、F1分数）、总体准确率（Accuracy）和Cohen‘s Kappa系数来量化模型性能，并绘制睡眠分期对比图（Hypnogram）。

2.3 工具栈选择：为什么是Python？

项目源码基于Python，这是当前生物信息学和机器学习领域事实上的标准语言。其核心库构成了我们项目的技术骨架：

• 核心数据处理：NumPy和Pandas用于高效的数值运算和表格数据管理。
• 信号处理：SciPy和MNE-Python。MNE是处理脑电/磁图数据的专业工具箱，提供了读取EDF、滤波、绘图等一站式功能，能省去大量底层代码。
• 特征计算：PyEEG、AntroPy或自行实现。用于计算Hjorth参数、谱熵、非线性特征等。
• 机器学习：Scikit-learn。提供了完整的传统机器学习算法、数据划分、评估指标和网格搜索工具，非常易于上手。
• 深度学习：TensorFlow/Keras或PyTorch。用于构建更复杂的神经网络模型。对于入门项目，Keras的简洁API是首选。
• 可视化：Matplotlib和Seaborn。用于绘制脑电波形、频谱图、混淆矩阵和睡眠分期图。

注意：在开始编码前，请务必花时间理解你的数据。打开一个EDF文件，看看它的通道名称、采样频率、信号尺度。查看标注文件，理解其编码规则（如Wake=0, N1=1, N2=2, N3=3, REM=4）。这一步的清晰认知能避免后续无数坑。

3. 数据预处理：为特征提取打下坚实基础

拿到原始的EDF数据，我们不能直接扔给模型。原始信号中充满了各种噪声和无关信息，预处理的目的就是“去芜存菁”，提取出对睡眠分期真正有用的信号成分。

3.1 数据读取与初步检查

首先，使用mne.io.read_raw_edf函数读取数据。这里有一个关键点：EDF文件可能包含多个通道（如EEG, EOG, EMG），我们只需要指定的单通道EEG。

import mne # 读取EDF文件，preload=True将数据载入内存 raw = mne.io.read_raw_edf(‘subject_01.edf’， preload=True) print(raw.info) # 查看信息，包括通道名和采样频率 # 假设我们的EEG通道名为‘EEG Fpz-Cz’ picks = mne.pick_types(raw.info， meg=False， eeg=True， eog=False， emg=False， stim=False， exclude=‘bads’) # 或者直接指定通道 raw.pick_channels([‘EEG Fpz-Cz’])

同时，需要加载专家标注的睡眠分期文件。这个文件通常每个时间点（如每30秒）对应一个睡眠阶段标签。

import pandas as pd # 假设标注文件是CSV，包含‘epoch’和‘stage’列 annotations = pd.read_csv(‘subject_01_labels.csv’) stages = annotations[‘stage’].values # 转换为数组，如 [0， 0， 2， 3， ...]

3.2 信号滤波：滤除干扰，保留核心节律

睡眠脑电的有效信息主要集中在0.5Hz到35Hz之间。我们需要设计滤波器来去除直流偏移、低频漂移、高频肌电噪声和工频干扰。

# 设置滤波参数 sfreq = raw.info[‘sfreq’] # 获取原始采样率，如100Hz l_freq = 0.5 # 高通滤波截止频率，去除超低频漂移 h_freq = 35.0 # 低通滤波截止频率，去除高频噪声 notch_freq = 50.0 # 陷波频率（工频干扰），国内为50Hz # 应用带通滤波 raw.filter(l_freq， h_freq， fir_design=‘firwin’， picks=‘eeg’) # 应用陷波滤波去除工频干扰 raw.notch_filter(notch_freq， picks=‘eeg’) # 可选：降采样以减小数据量，加速计算（如果原始采样率很高） if sfreq > 100: raw.resample(100， npad=“auto”)

实操心得：滤波器的类型和参数选择至关重要。firwin设计的FIR滤波器通常具有线性相位，不会扭曲信号的时序关系，适合后续分析。陷波滤波的宽度不宜过宽，否则会损失过多有效频带的信息。我通常会先绘制一段原始信号和滤波后信号的对比图，直观感受滤波效果。

3.3 数据分段与对齐

标准睡眠分期以30秒为一个“epoch”进行分析。我们需要将连续的脑电信号按照标注文件的时间点进行切分。

import numpy as np # 获取处理后的EEG数据 eeg_data， times = raw[:， :] # 获取所有时间和数据 # 假设采样率现在是100Hz，每个epoch30秒，即3000个数据点 epoch_length = 30 * sfreq # 30秒 * 采样率 n_epochs = len(stages) # 初始化一个空列表来存储每个epoch的数据 epochs_data = [] for i in range(n_epochs): start = int(i * epoch_length) end = int((i + 1) * epoch_length) if end <= eeg_data.shape[1]: # 防止索引越界 epoch = eeg_data[0， start:end] # 取单通道数据 epochs_data.append(epoch) # 转换为NumPy数组，形状为 (n_epochs， epoch_length) X = np.array(epochs_data) y = np.array(stages[:len(epochs_data)]) # 确保标签与数据对齐

关键检查点：务必确保X和y的长度严格一致！一个常见的错误是信号长度不是30秒的整数倍，导致最后一个epoch不完整。你需要决定是舍弃最后一段不完整的数据，还是用零填充。在科研中，通常选择舍弃。

4. 特征工程：构建模型的“语言”

原始波形数据维度太高且包含大量冗余。特征工程的目的，就是从每个30秒的epoch中，提取出一组几十到几百个数值特征，这些特征要能紧凑地代表该epoch的睡眠状态。这是项目中最体现“手艺”的部分。

4.1 时域特征

时域特征直接从信号幅值随时间变化中计算。

• 均值、方差、偏度、峰度：描述信号幅值分布的基本统计量。
• Hjorth参数：活动性（Activity）、移动性（Mobility）、复杂性（Complexity），是脑电分析中的经典特征。
  • 活动性 = 方差
  • 移动性 = sqrt(方差(一阶导数) / 方差(信号))
  • 复杂性 = 移动性(一阶导数) / 移动性(信号)
• 零交叉率：信号穿过零点的频率，与信号频率粗略相关。

4.2 频域特征

这是睡眠分期最重要的特征来源。我们通过傅里叶变换将信号从时域转换到频域，观察不同频率成分的功率。

• 波段功率：计算特定频段的功率（能量）。
  • Delta (δ: 0.5-4 Hz): 与深度睡眠（N3）强相关。
  • Theta (θ: 4-8 Hz): 在N1期和REM期出现。
  • Alpha (α: 8-13 Hz): 闭眼放松清醒期的标志。
  • Sigma (σ: 12-16 Hz): 睡眠纺锤波，是N2期的标志。
  • Beta (β: 16-30 Hz): 与清醒和思维活动相关。
• 波段功率比：如Alpha/Delta， Theta/Alpha等，这些比值有时比绝对功率更具判别力。
• 谱熵：衡量频谱的混乱程度，熵值高表示频率成分复杂（如REM期），熵值低表示能量集中在少数频段（如N3期）。

from scipy import signal, stats import antropy as ant def extract_features(epoch, sfreq=100): """从单个epoch中提取特征""" features = {} # 1. 时域特征 features[‘mean’] = np.mean(epoch) features[‘std’] = np.std(epoch) features[‘skew’] = stats.skew(epoch) features[‘kurtosis’] = stats.kurtosis(epoch) # Hjorth参数 diff1 = np.diff(epoch) diff2 = np.diff(diff1) var_epoch = np.var(epoch) var_diff1 = np.var(diff1) var_diff2 = np.var(diff2) features[‘hjorth_activity’] = var_epoch features[‘hjorth_mobility’] = np.sqrt(var_diff1 / var_epoch) if var_epoch != 0 else 0 features[‘hjorth_complexity’] = np.sqrt(var_diff2 / var_diff1) / features[‘hjorth_mobility’] if var_diff1 != 0 and features[‘hjorth_mobility’] != 0 else 0 # 2. 频域特征 (使用Welch方法估计功率谱密度) freqs, psd = signal.welch(epoch, sfreq, nperseg=min(256, len(epoch))) # 定义频带边界 bands = {‘delta’: (0.5, 4), ‘theta’: (4, 8), ‘alpha’: (8, 13), ‘sigma’: (12, 16), ‘beta’: (16, 30)} band_power = {} for band, (low, high) in bands.items(): idx_band = np.logical_and(freqs >= low, freqs <= high) band_power[band] = np.trapz(psd[idx_band], freqs[idx_band]) features[f‘{band}_power’] = band_power[band] # 计算功率比 total_power = sum(band_power.values()) for band in bands: features[f‘{band}_ratio’] = band_power[band] / total_power if total_power != 0 else 0 # 计算特定比率 if band_power[‘delta’] != 0: features[‘alpha_delta_ratio’] = band_power[‘alpha’] / band_power[‘delta’] # 谱熵 features[‘spectral_entropy’] = ant.spectral_entropy(epoch, sfreq, method=‘welch’， normalize=True) # 3. 非线性特征 (示例) features[‘permutation_entropy’] = ant.permutation_entropy(epoch, order=3, delay=1, normalize=True) return features # 对每个epoch应用特征提取 feature_list = [] for epoch in X: feature_list.append(extract_features(epoch, sfreq)) # 转换为DataFrame import pandas as pd feature_df = pd.DataFrame(feature_list)

4.3 特征选择与标准化

提取了大量特征后，并非所有特征都有用。有些特征可能高度相关，有些可能对分类没有贡献。我们可以使用Scikit-learn的SelectKBest或基于模型的特征重要性（如随机森林）进行特征选择。

之后，必须进行特征标准化（如Z-score标准化），将不同量纲的特征缩放到同一尺度，避免数值大的特征主导模型训练。

from sklearn.feature_selection import SelectKBest, f_classif from sklearn.preprocessing import StandardScaler # 假设feature_df是特征DataFrame， y是标签 X_features = feature_df.values # 特征选择（例如选择前20个最好的特征） selector = SelectKBest(score_func=f_classif, k=20) X_selected = selector.fit_transform(X_features, y) # 特征标准化 scaler = StandardScaler() X_normalized = scaler.fit_transform(X_selected)

注意事项：一定要在划分训练集和测试集之后，再分别用训练集的均值和方差对训练集和测试集进行标准化！绝对不能用整个数据集（包含测试集）的统计量来做标准化，否则会造成数据泄露，严重高估模型性能。正确的做法是scaler.fit_transform(X_train)和scaler.transform(X_test)。

5. 模型构建、训练与评估

特征准备好后，我们就可以构建分类模型了。这里我们展示两种主流方法：传统的机器学习模型（以随机森林为例）和深度学习模型（以简单的CNN为例）。

5.1 数据集划分

首先，要按被试者（Subject）划分数据集，而不是随机打乱所有epoch。这是为了评估模型的泛化能力——即训练出来的模型能否准确分期一个它从未“见过”的被试者的睡眠数据。

from sklearn.model_selection import GroupShuffleSplit # 假设我们有一个subject_ids列表，长度与X_normalized相同，标识每个epoch属于哪个被试者 subject_ids = ... # 需要从原始数据中生成 gss = GroupShuffleSplit(n_splits=1, test_size=0.2, random_state=42) for train_idx, test_idx in gss.split(X_normalized, y, groups=subject_ids): X_train, X_test = X_normalized[train_idx], X_normalized[test_idx] y_train, y_test = y[train_idx], y[test_idx] # 进一步从训练集中划分验证集 gss_val = GroupShuffleSplit(n_splits=1, test_size=0.25, random_state=42) # 0.25 * 0.8 = 0.2 for train_idx_val, val_idx in gss_val.split(X_train, y_train, groups=subject_ids[train_idx]): X_train_final, X_val = X_train[train_idx_val], X_train[val_idx] y_train_final, y_val = y_train[train_idx_val], y_train[val_idx]

5.2 方案一：随机森林模型

随机森林对于表格型特征数据非常有效，且能提供特征重要性评估。

from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import classification_report, confusion_matrix, cohen_kappa_score rf_clf = RandomForestClassifier(n_estimators=200, max_depth=15, min_samples_split=5, min_samples_leaf=2, class_weight=‘balanced’， # 处理类别不平衡 random_state=42, n_jobs=-1) rf_clf.fit(X_train_final, y_train_final) # 在验证集上评估 y_val_pred = rf_clf.predict(X_val) print(“验证集分类报告：”) print(classification_report(y_val, y_val_pred, target_names=[‘Wake’， ‘N1’， ‘N2’， ‘N3’， ‘REM’])) print(“Kappa系数：”， cohen_kappa_score(y_val, y_val_pred))

5.3 方案二：一维卷积神经网络模型

对于原始信号或简单处理后的信号，CNN可以自动学习有判别性的局部特征。我们将每个30秒的epoch（3000点）作为输入。

import tensorflow as tf from tensorflow import keras from tensorflow.keras import layers # 构建模型 def build_cnn_model(input_shape, n_classes=5): model = keras.Sequential([ layers.Input(shape=input_shape), # 第一个卷积块：提取局部特征 layers.Conv1D(filters=64, kernel_size=50, strides=5, activation=‘relu’， padding=‘same’), layers.BatchNormalization(), layers.MaxPooling1D(pool_size=10, strides=5), layers.Dropout(0.3), # 第二个卷积块 layers.Conv1D(filters=128, kernel_size=25, strides=3, activation=‘relu’， padding=‘same’), layers.BatchNormalization(), layers.MaxPooling1D(pool_size=10, strides=5), layers.Dropout(0.3), # 展平后接全连接层 layers.Flatten(), layers.Dense(units=128, activation=‘relu’), layers.Dropout(0.4), layers.Dense(units=n_classes, activation=‘softmax’) # 输出5个睡眠阶段的概率 ]) return model # 准备数据：这里我们使用标准化后的原始波形数据X（而不是手工特征） # 需要将X_train_final等重塑为 (n_samples, n_timesteps, 1) X_train_cnn = X_train_final.reshape(-1, X_train_final.shape[1], 1) X_val_cnn = X_val.reshape(-1, X_val.shape[1], 1) X_test_cnn = X_test.reshape(-1, X_test.shape[1], 1) model = build_cnn_model((X_train_cnn.shape[1], 1)) model.compile(optimizer=keras.optimizers.Adam(learning_rate=0.001), loss=‘sparse_categorical_crossentropy’, metrics=[‘accuracy’]) # 设置回调函数，如早停和模型保存 callbacks = [ keras.callbacks.EarlyStopping(patience=20, restore_best_weights=True), keras.callbacks.ReduceLROnPlateau(factor=0.5, patience=10, min_lr=1e-6) ] # 训练模型 history = model.fit(X_train_cnn, y_train_final, validation_data=(X_val_cnn, y_val), epochs=100, batch_size=64, callbacks=callbacks, verbose=1)

5.4 模型评估与结果可视化

无论使用哪种模型，在独立的测试集上进行最终评估是金标准。

# 对于随机森林 y_test_pred_rf = rf_clf.predict(X_test) print(“=== 随机森林测试集性能 ===”) print(classification_report(y_test, y_test_pred_rf, target_names=[‘Wake’， ‘N1’， ‘N2’， ‘N3’， ‘REM’])) kappa_rf = cohen_kappa_score(y_test, y_test_pred_rf) print(f“Cohen‘s Kappa: {kappa_rf:.3f}”) # 对于CNN y_test_pred_proba_cnn = model.predict(X_test_cnn) y_test_pred_cnn = np.argmax(y_test_pred_proba_cnn, axis=1) print(“\n=== CNN测试集性能 ===”) print(classification_report(y_test, y_test_pred_cnn, target_names=[‘Wake’， ‘N1’， ‘N2’， ‘N3’， ‘REM’])) kappa_cnn = cohen_kappa_score(y_test, y_test_pred_cnn) print(f“Cohen’s Kappa: {kappa_cnn:.3f}”) # 绘制混淆矩阵 import matplotlib.pyplot as plt import seaborn as sns from sklearn.metrics import confusion_matrix def plot_confusion_matrix(y_true, y_pred, title): cm = confusion_matrix(y_true, y_pred) plt.figure(figsize=(8, 6)) sns.heatmap(cm, annot=True, fmt=‘d’， cmap=‘Blues’， xticklabels=[‘Wake’， ‘N1’， ‘N2’， ‘N3’， ‘REM’], yticklabels=[‘Wake’， ‘N1’， ‘N2’， ‘N3’， ‘REM’]) plt.ylabel(‘真实标签’) plt.xlabel(‘预测标签’) plt.title(title) plt.show() plot_confusion_matrix(y_test, y_test_pred_rf, “随机森林混淆矩阵”) plot_confusion_matrix(y_test, y_test_pred_cnn, “CNN混淆矩阵”)

性能解读：总体准确率（Accuracy）是一个直观指标，但在睡眠分期中，由于类别极度不平衡（N2期通常占一半时间），Cohen‘s Kappa系数是更可靠的指标，它考虑了随机一致的概率。通常，Kappa > 0.8 表示几乎完美一致，0.6-0.8 表示高度一致。对于N1期，由于其脑电特征模糊，召回率（Recall）通常是最低的，这是该领域的公认难点。

6. 项目优化与高级技巧探讨

完成基础pipeline后，我们可以从多个角度提升模型性能。

6.1 处理类别不平衡问题

睡眠数据中，N2期样本极多，而N1和N3期样本较少。除了在模型参数中设置class_weight=‘balanced’，还可以采用：

• 数据层：对少数类进行过采样（如SMOTE），或对多数类进行欠采样。
• 算法层：使用对不平衡数据更鲁棒的算法，如梯度提升树（如XGBoost, LightGBM），或使用Focal Loss等改进的损失函数（针对深度学习）。
• 评估层：重点关注宏平均F1分数（Macro-F1）或加权平均F1分数（Weighted-F1），而不是单纯看准确率。

6.2 引入时序上下文信息

睡眠阶段是连续的，当前epoch的阶段与前后epoch高度相关。我们可以通过以下方法利用这种时序信息：

• 特征工程：将前后几个epoch的特征拼接在一起，作为当前epoch的输入特征。
• 滑动窗口：使用重叠的窗口分割数据，增加样本量并隐含上下文。
• 序列模型：使用RNN（如LSTM、GRU）或Transformer模型，显式地对序列依赖关系进行建模。这是当前最先进方法的主流。

# 示例：构建一个简单的LSTM模型 from tensorflow.keras import layers def build_lstm_model(input_shape, n_classes=5): model = keras.Sequential([ layers.Input(shape=input_shape), # input_shape: (sequence_length, n_features) layers.LSTM(units=128, return_sequences=True), layers.Dropout(0.3), layers.LSTM(units=64), layers.Dropout(0.3), layers.Dense(units=32, activation=‘relu’), layers.Dense(units=n_classes, activation=‘softmax’) ]) return model

6.3 模型集成与后处理

• 模型集成：将随机森林、CNN、LSTM等不同模型的预测结果进行投票或平均，往往能获得比单一模型更稳定、更优的性能。
• 后处理平滑：睡眠阶段不会在几秒内频繁切换。我们可以对模型预测的序列应用简单的规则进行平滑，例如，如果出现一个孤立的“N1”期被前后“N2”期包围，则很可能将其修正为“N2”。这能有效提升分期结果的可读性和生理合理性。

6.4 使用公开数据集进行验证

为了证明你代码的泛化能力，最好在公开的权威睡眠数据集上运行，如Sleep-EDF（包含SC和ST子集）、MASS、SHHS等。这些数据集有统一的格式和专家标注，便于进行公平比较。在项目文档中，注明所使用的数据集和达到的性能指标（如总体准确率、Kappa系数、每期F1分数），会让你的工作更有说服力。

7. 常见问题与调试心得

在实际复现和开发过程中，你几乎一定会遇到下面这些问题。这里记录了我的排查思路和解决方案。

问题1：模型准确率很高（>95%），但Kappa系数很低（<0.5）。

• 原因：这是典型的类别不平衡导致的假象。模型可能只是简单地把所有样本都预测成了占多数的类别（如N2），准确率自然高，但Kappa系数揭示了其真实分类能力很差。
• 解决：立即检查混淆矩阵。如果矩阵非对角线元素几乎为零，而某一列（如N2）几乎全是预测值，那就证实了这一点。采用6.1节的方法处理类别不平衡。

问题2：N1期的召回率（Recall）始终非常低。

• 原因：正常现象。N1期是睡眠的过渡期，脑电特征与清醒闭眼（α波衰减）和REM期（低幅混合波）有重叠，即使专家标注也存在较高主观性。
• 解决：不要过分追求N1的高召回率。可以尝试融合EOG（眼电）和EMG（肌电）信号（如果是多通道数据），或者专注于提升N1期的特异性（Precision），减少误判。在论文中，需要明确指出这是该领域的普遍挑战。

问题3：深度学习模型训练损失不下降，或很快过拟合。

• 排查：
  1. 数据检查：确认输入数据（X）和标签（y）是否正确对齐，标签编码是否正确（0,1,2,3,4）。
  2. 数据尺度：确认输入数据是否已经过标准化（如Z-score）。未标准化的原始信号可能导致梯度爆炸或消失。
  3. 模型复杂度：对于较小的数据集，过于复杂的CNN/LSTM模型极易过拟合。尝试减少层数、滤波器数量，或增加Dropout率、L2正则化。
  4. 学习率：学习率可能太大（震荡）或太小（下降慢）。使用学习率调度器（如ReduceLROnPlateau）。
  5. 批量大小：尝试不同的批量大小（如16, 32, 64）。小批量可能带来正则化效果，但训练不稳定；大批量训练稳定但可能泛化能力稍差。

问题4：特征提取速度太慢。

• 优化：
  1. 向量化操作：避免对每个epoch使用for循环调用特征函数。尽可能使用NumPy的向量化运算对整个数据矩阵进行操作。
  2. 并行计算：使用joblib库的Parallel和delayed功能，将特征提取任务并行化到多个CPU核心上。
  3. 预计算与缓存：如果特征提取是确定性的，且数据不变，可以将提取好的特征保存为.npy或.h5文件，下次直接加载。

问题5：如何选择机器学习模型还是深度学习模型？

• 建议：
  • 从传统模型开始：如果你的特征工程做得足够好，随机森林或XGBoost往往能取得非常不错且稳定的效果，训练快，可解释性强（特征重要性）。这是非常好的基线模型。
  • 尝试深度学习：如果你有充足的数据（如数百个被试），并且希望探索端到端的模型，或者想利用时序上下文，那么CNN/LSTM是更好的选择。深度模型潜力更大，但需要更仔细的调参和防止过拟合。
  • 最终方案：可以考虑“手工特征 + 传统模型”与“原始信号/浅层特征 + 深度学习模型”的集成，这通常是比赛和前沿论文中的获胜策略。

这个项目就像一座桥梁，连接了生物医学信号处理与机器学习。当你看到自己编写的代码能够以较高的准确率复现出睡眠分期图时，那种成就感是巨大的。我个人的体会是，成功的核心不在于使用最炫酷的模型，而在于对数据本身深刻的理解、扎实的特征工程以及严谨的模型评估流程。把每个环节的“为什么”都想清楚，远比你盲目调参要有用得多。最后，别忘了将你的完整流程、参数设置和实验结果清晰地记录在文档说明中，这既是科学的严谨性要求，也能让后来者（包括未来的你）能够轻松复现和在此基础上继续创新。

本文还有配套的精品资源，点击获取