单通道脑电睡眠分期实战：Python从EDF到分类模型

简介：这份资源面向计算机、人工智能、通信工程、自动化、电子信息等专业的在校学生与教师，以及希望入门生理信号处理的企业员工，提供一套基于单通道脑电信号实现自动睡眠分期的完整Python项目。项目围绕EEG信号预处理、数据集构建、深度网络建模与预测推理展开，包含GRU等模型实现、Focal Loss损失函数、Sleep-EDF数据下载脚本及Web演示服务，适合作为毕业设计、课程设计、作业或项目初期立项演示，也便于在现有代码上二次修改扩展功能。压缩包共22个文件，约10.67MB，以12个py源码文件为核心，辅以3个txt依赖与说明、2个pt模型权重、1个sh运行脚本，以及html、md、png等文档与图示，目录结构清晰，便于按模块检索学习。目前已有118人学习下载。代码均经测试运行成功，附README说明，可帮助读者快速理解单通道脑电睡眠分期的完整流程与排错思路。

1. 单通道脑电做睡眠分期：为什么它比你想的更能落地

一台只有单导联的脑电采集设备，比如额贴式干电极头带，能不能跑出接近多导睡眠图（PSG）的睡眠分期结果？这是我在做可穿戴睡眠监测方案时被问得最多的问题。答案是能，但前提是你得把信号预处理、特征提取和分类模型这条链路走通，而不是直接把原始脑电丢进一个深度学习模型就指望它输出 N1/N2/N3/REM。基于单通道脑电信号实现的自动睡眠分期研究，核心就是用一路 EEG 通道，配合 Python 完成从数据读取、滤波去噪、epoch 切分、特征工程到分类器训练的全流程，最终输出每个 30 秒片段属于哪个睡眠期。它适合两类人：一类是想入门生理信号处理的 Python 开发者，另一类是手里有单通道采集硬件、需要一套可复现基线算法的嵌入式或算法工程师。数据方面，公开的睡眠数据集通常提供单通道或多通道 EDF 格式记录，配合睡眠期标注文件，足够你从零搭出一套能跑通、能评估、能继续迭代的流水线。

2. 从 EDF 到训练集：单通道脑电数据的读取与 epoch 切分

2.1 为什么单通道方案要先解决数据对齐问题

多导睡眠图有脑电、眼电、肌电、心电十几路信号，单通道方案只剩一路 EEG，看似简单，实际上把容错空间压缩了。你没法再用眼电去辅助判断 REM，也没法用肌电区分觉醒，所有信息都得从这一路信号里榨出来。所以第一步不是急着建模，而是把数据读对、对齐对。常见公开数据集里，信号文件和标注文件是分开的，信号是 EDF 格式，标注是文本或 XML，里面记录了每个睡眠期从第几秒开始、持续多久。你需要把标注转成与信号采样点一一对应的标签序列，再按 30 秒一个 epoch 切分，这是睡眠分期的标准粒度。如果对齐错了，比如标注起始时间偏移了几秒，后面模型再强也是白搭，这是血泪经验。

读取 EDF 我一般用 MNE 这个库，它对生理信号格式支持比较全，安装也简单：

pip install mne numpy scipy scikit-learn

读文件和查看通道信息：

import mne import numpy as np # 读取单通道 EDF，preload=True 把数据加载进内存方便后续切片 raw = mne.io.read_raw_edf("subject_01.edf", preload=True) # 打印通道名和采样率，确认哪一路是 EEG print(raw.ch_names) print(raw.info["sfreq"]) # 只保留脑电通道，常见命名有 EEG、Fpz-Cz、C3-A2 等 eeg = raw.copy().pick_channels(["EEG"])

逻辑说明：read_raw_edf负责解析 EDF 头信息和数据块，preload=True避免后续反复读磁盘。pick_channels只保留脑电通道，单通道方案里这一步很关键，因为有些设备文件里混了加速度或光电容积脉搏波通道，不剔除会干扰后续滤波。参数上，sfreq是采样率，常见 100 Hz、200 Hz、256 Hz，后面做重采样和滤波都要用到它。

2.2 滤波、重采样与 30 秒 epoch 切分

原始脑电里混着工频干扰、基线漂移和肌电噪声。单通道没有参考通道做自适应噪声抵消，所以滤波参数要保守一点。我一般做 0.3 Hz 到 35 Hz 的带通，去掉极慢漂移和高频肌电，再对 50 Hz 工频做陷波。如果原始采样率很高，比如 500 Hz，可以重采样到 100 Hz 或 128 Hz，既降计算量又不丢睡眠分期需要的频段信息。

# 带通滤波 0.3-35 Hz，保留 delta 到 beta 频段 raw_filtered = raw.copy().filter(l_freq=0.3, h_freq=35.0, fir_design="firwin") # 工频陷波，国内一般 50 Hz raw_filtered = raw_filtered.notch_filter(freqs=50.0) # 重采样到 100 Hz，降低后续计算量 raw_resampled = raw_filtered.resample(sfreq=100.0) # 按 30 秒切分 epoch epochs = mne.make_fixed_length_epochs(raw_resampled, duration=30.0, overlap=0.0) data = epochs.get_data() # 形状 (n_epochs, 1, n_samples) print(data.shape)

逻辑说明：filter的firwin设计器在生理信号里比较稳，notch_filter针对工频。make_fixed_length_epochs按固定长度切分，overlap=0表示不重叠，符合睡眠分期标准。切完后data的形状是 epoch 数乘通道数乘采样点，单通道时通道维是 1。参数上，duration=30.0是睡眠分期的通用窗口，别改成 20 或 60，否则和标注对不上。

标签对齐时，把标注文件读进来，按 epoch 起始时间映射到标签。常见标签是 W、N1、N2、N3、REM，可以映射成 0 到 4 的整数。注意有些数据集把 N3 和 N4 合并，有些保留 N4，映射前先看标注说明，别想当然。

3. 特征工程：单通道脑电里到底能提取哪些判别信息

3.1 频带功率与功率谱密度

单通道脑电做睡眠分期，最经典也最稳的特征是频带功率。睡眠期变化本质上体现在不同频段能量占比的迁移：清醒时 alpha 和 beta 占优，N2 出现睡眠纺锤波，N3 以 delta 为主，REM 则有类似清醒的低幅混合频率。用 Welch 法算功率谱密度，再积分到 delta、theta、alpha、sigma、beta 五个频带，就能得到一组可解释、维度低的特征。

from scipy.signal import welch def bandpower_features(epoch_signal, sfreq): # epoch_signal 形状 (n_samples,) freqs, psd = welch(epoch_signal, fs=sfreq, nperseg=int(sfreq * 4)) bands = { "delta": (0.5, 4), "theta": (4, 8), "alpha": (8, 12), "sigma": (12, 16), "beta": (16, 30), } feats = {} for name, (low, high) in bands.items(): idx = np.logical_and(freqs >= low, freqs < high) # 对功率谱积分得到绝对功率 feats[name] = np.trapz(psd[idx], freqs[idx]) # 相对功率：各频带除以总功率 total = sum(feats.values()) + 1e-12 for name in bands: feats[f"rel_{name}"] = feats[name] / total return feats

逻辑说明：welch用分段平均降低方差，nperseg取 4 秒窗在 100 Hz 下是 400 点，频率分辨率 0.25 Hz，够用。np.trapz对功率谱积分得到频带绝对功率，再算相对功率。参数上，频带边界是睡眠分期的通用划分，sigma 频带对应睡眠纺锤波，别漏掉。相对功率比绝对功率更抗个体差异，建议两组都保留。

3.2 时域与非线性特征补充

光靠频带功率，N1 和 REM 容易混，因为两者都表现为低幅混合频率。这时候补一些时域和非线性特征会有帮助。时域上可以算 Hjorth 参数：活动度、移动性、复杂度，分别反映信号方差、平均频率和频率变化。非线性上可以算样本熵或排列熵，衡量信号不规则程度。这些特征计算量不大，但对区分细微状态有用。

def hjorth_params(epoch_signal): # 一阶差分和二阶差分 d1 = np.diff(epoch_signal) d2 = np.diff(d1) activity = np.var(epoch_signal) mobility = np.sqrt(np.var(d1) / (activity + 1e-12)) complexity = np.sqrt(np.var(d2) / (np.var(d1) + 1e-12)) / (mobility + 1e-12) return activity, mobility, complexity

逻辑说明：Hjorth 活动度就是方差，移动度是差分方差与原始方差之比的平方根，复杂度再对移动度做一次类似运算。参数上没什么可调的，但要注意信号得先去均值，否则方差被直流分量污染。样本熵实现稍长，可以用antropy或nolds库，窗口长度建议 1 到 2 秒，嵌入维数 2，容差取 0.2 倍标准差。

把所有 epoch 的特征拼成矩阵，形状是 epoch 数乘特征数，标签单独一列，就可以送进分类器了。特征维度控制在 20 到 40 之间比较合适，太少欠拟合，太多容易过拟合，尤其单通道样本量有限时。

4. 分类器选型与训练：从随机森林到一维卷积网络

4.1 传统机器学习基线怎么搭

特征工程做完，最稳的基线是随机森林或梯度提升树。它们对特征尺度不敏感，不用做归一化，调参也直观。我一般先用随机森林跑一版，看混淆矩阵和每类 F1，确认特征有没有判别力，再决定要不要上深度学习。

from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import train_test_split from sklearn.metrics import classification_report, confusion_matrix # X 形状 (n_epochs, n_features)，y 是 0-4 的睡眠期标签 X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, random_state=42, stratify=y ) clf = RandomForestClassifier( n_estimators=300, max_depth=12, min_samples_leaf=5, class_weight="balanced", random_state=42, n_jobs=-1, ) clf.fit(X_train, y_train) y_pred = clf.predict(X_test) print(confusion_matrix(y_test, y_pred)) print(classification_report(y_test, y_pred, digits=3))

逻辑说明：stratify=y保证训练测试集类别比例一致，睡眠分期类别不平衡很常见，N2 往往最多，N1 最少。class_weight="balanced"自动按类别频率加权，缓解不平衡。max_depth和min_samples_leaf控制树复杂度，防止过拟合。评估时别只看准确率，N1 的 F1 才是难点，混淆矩阵里重点看 N1 和 REM 有没有互相混。

4.2 一维卷积网络在单通道上的最小实现

如果特征工程加树模型的效果到瓶颈了，可以试一维卷积网络直接吃原始 epoch。单通道输入就是一条时间序列，一维卷积核在时间轴上滑动，能自动学局部波形模式，比如纺锤波和 K 复合波。网络不用太深，三四层卷积加全局池化就够，参数量小，单通道数据也撑得住。

import torch import torch.nn as nn class SleepCNN(nn.Module): def __init__(self, n_classes=5): super().__init__() self.net = nn.Sequential( nn.Conv1d(1, 16, kernel_size=7, padding=3), nn.BatchNorm1d(16), nn.ReLU(), nn.MaxPool1d(2), nn.Conv1d(16, 32, kernel_size=5, padding=2), nn.BatchNorm1d(32), nn.ReLU(), nn.MaxPool1d(2), nn.Conv1d(32, 64, kernel_size=3, padding=1), nn.BatchNorm1d(64), nn.ReLU(), nn.AdaptiveAvgPool1d(1), ) self.fc = nn.Linear(64, n_classes) def forward(self, x): # x 形状 (batch, 1, n_samples) feat = self.net(x).squeeze(-1) return self.fc(feat)

逻辑说明：输入通道是 1，对应单通道脑电。三层卷积通道数 16、32、64 递增，BatchNorm加速收敛，AdaptiveAvgPool1d(1)把时间维压成 1，再接全连接分类。参数上，kernel_size第一层取 7 在 100 Hz 下约 70 毫秒，能覆盖纺锤波的一个周期。训练时用交叉熵损失，类别权重按频率倒数设置，优化器用 Adam，学习率 1e-3，batch size 64 左右。注意输入要先做 z-score 归一化，每个 epoch 单独减均值除标准差，否则网络很难收敛。

训练轮数别太多，单通道数据量有限，一般 30 到 50 轮就够，配合早停。验证集按受试者划分，别把同一个人的 epoch 同时放进训练和测试，否则指标虚高，这是最常见的翻车点。

5. 避坑与排查：单通道睡眠分期最容易栽的五个地方

5.1 标签对齐偏移导致指标异常

现象：模型准确率始终在 60% 上下，混淆矩阵里各类分布混乱，看不出规律。原因：标注文件的时间基准和信号起始时间不一致，或者 epoch 切分时用了重叠窗口但标签没跟着调整。解决：先画一段信号和标签的对应图，人工核对前几个 epoch 的标签是否合理，比如清醒段标签应该是 W。确认无误后再批量切分，切分函数里把 epoch 起始样本点和标签索引严格对应。

5.2 工频陷波把信号陷没了

现象：滤波后信号幅度异常小，频谱里 50 Hz 附近出现深坑，连带着 45 到 55 Hz 的能量都被削掉。原因：陷波滤波器 Q 值设得太高或太低，带宽过宽。解决：用notch_filter时指定quality_factor，一般 30 左右，或者改用带阻滤波，阻带控制在 49 到 51 Hz。陷波后一定要看频谱确认目标频段没被误伤。

5.3 类别不平衡让 N1 完全被忽略

现象：模型对 N2 和 W 识别很好，N1 的召回率接近零。原因：N1 在整夜记录里占比通常不到 10%，损失函数被多数类主导。解决：训练时设类别权重，class_weight="balanced"或手动按频率倒数加权；评估时看宏平均 F1 和每类召回，别只看总体准确率。如果 N1 实在太少，可以考虑合并 N1 和 REM 做粗分，但要在文档里写清楚。

5.4 受试者泄漏让验证指标虚高

现象：交叉验证准确率 85%，换一个新受试者测试掉到 65%。原因：随机划分 epoch 时同一个人的数据同时进了训练和验证，模型记住了这个人的信号特征。解决：按受试者划分，用 GroupKFold 或留一受试者交叉验证。单通道方案个体差异大，受试者独立验证才是真实水平。

5.5 重采样后 epoch 长度对不上

现象：切分出的 epoch 数比标注数少几个，或者最后一个 epoch 被截断。原因：重采样后总样本数不能被 30 秒整除，make_fixed_length_epochs默认丢弃不完整段。解决：切分前先裁剪信号到 30 秒的整数倍，或者设drop_last=False保留最后一段并在标签里对应处理。切完打印 epoch 数和标签数，两者必须相等。

6. 把单通道睡眠分期跑成可复现实验的几个习惯

想让这套方案真正可复现，我一般会固定三件事：随机种子、数据划分方式和评估指标。随机种子在 NumPy、PyTorch、scikit-learn 里都设一遍，避免每次跑结果飘。数据划分按受试者来，训练集、验证集、测试集的人不重叠，这样报出来的指标才敢信。评估指标除了准确率，一定报宏平均 F1 和 Cohen's kappa，kappa 能排除随机猜测的影响，睡眠分期论文里常用它做横向对比。

特征和模型之间做消融也值得养成习惯。先只用频带功率跑一版，再加 Hjorth 和熵特征，看宏 F1 涨了多少；树模型跑完再换一维 CNN，看原始信号端到端能不能超过手工特征。这样你才知道每个模块到底贡献了什么，而不是一锅端。下面这张表是我常用的对比记录格式，每次实验填一行，回头翻的时候一目了然。

还有一个容易忽略的点是推理阶段的工程化。研究阶段用 Python 跑通就行，但如果要落到嵌入式设备上，特征提取和模型推理得考虑算力。频带功率加树模型的方案，在 Cortex-M 级别芯片上也能跑，Welch 可以换成 Goertzel 算法算特定频点能量，模型可以转成 C 数组或 ONNX 再量化。一维 CNN 参数量小的话也有机会，但得测实际延迟和内存占用。我一般先在 PC 上把精度调到位，再逐步裁剪和量化，别一上来就追求端侧，否则精度和工程两头顾不上。

最后说个我自己的习惯：每换一个数据集，先花半小时做数据探查，画几个 epoch 的波形和频谱，看看采样率、幅度范围、标签分布，再动手写训练脚本。这个习惯帮我省过很多次返工，因为不同数据集的通道命名、单位、标注格式差异比想象中大。单通道脑电睡眠分期这条路，难点不在模型多深，而在数据对齐、特征可解释和验证可信这三件事上。把这三件做扎实，后面换模型、加通道、上端侧都是顺水推舟。希望帮到你。

本文还有配套的精品资源，点击获取