World Sleep Industry ENCYCLOPEDIA

婴幼儿睡眠状态识别算法

4.4.1

一、定义、对象与使用边界

婴幼儿睡眠状态识别算法,是把一段连续的生理、运动、声音、影像或环境信号,转换为婴幼儿当前睡眠—清醒状态、状态变化及可信度的计算方法。输出可以是“清醒/睡眠”二分类,也可以按经过验证的年龄适配体系给出清醒、活动睡眠、安静睡眠、过渡状态和未知状态。新生儿的神经发育、睡眠周期和行为表现与成人不同,成人的快速眼动睡眠、非快速眼动分期规则不能在没有验证的情况下直接套用;产品必须明确适用的出生后月龄、校正月龄、足月或早产人群,以及标签体系。

这类算法常用于睡眠研究的数据整理、育儿记录的趋势摘要、护理人员回顾、智能床旁设备交互和特定医疗工作流中的辅助观察。它描述的是传感器可观察到的模式,不等于确认婴儿意识、舒适度、呼吸安全或疾病状态。消费级结果不能替代多导睡眠监测、医务人员判断、成人现场照护或医生开具的监测设备;若系统声称诊断睡眠障碍、监测生命体征、发出医疗报警或指导治疗,其风险和监管要求会发生根本变化,必须按相应医疗器械或软件医疗器械路径验证。

尤其需要避免把“睡得很安静”解释为“生命体征正常”,或把算法持续输出解释为能够预防婴儿猝死综合征或睡眠相关意外。家庭仍应遵循适龄的安全睡眠建议:使用坚实、平坦且水平的睡眠表面,保持睡眠空间简洁,并妥善布置设备与线缆。算法不能成为改变安全睡眠环境、减少看护或延迟就医的理由。

二、状态体系、传感器与参考标注

状态体系应从用途出发定义。早期婴儿研究常区分清醒、活动睡眠、安静睡眠和不确定或过渡睡眠;较大婴儿的体系可能进一步与快速眼动和非快速眼动睡眠联系,但定义必须说明年龄范围、最短判定窗、状态转换规则以及无法判定时的处理。所有输出都应允许“未知/信号不可靠”,因为传感器脱落、身体被遮挡、照护动作、摇动的床具、同床多人或通信中断都可能生成貌似稳定却没有意义的信号。

实验室参照通常综合脑电、眼电、下颏肌电、心电、呼吸气流与努力、血氧、同步视频和观察记录,由接受过婴幼儿评分训练的人员按年龄适配规则判读。多名评分者之间应报告一致性,并预先规定如何裁决分歧。参考信号与待测设备必须时钟同步,记录佩戴、喂养、安抚、抱起和技术故障,否则一个很小的时间偏移也会把短暂状态转换误标为模型错误。

非接触视频可提取体动、眼睑或姿态线索,但受照明、遮挡、镜头位置和多人入镜影响;麦克风可捕捉哭声、呼吸相关声音及环境噪声,却存在隐私和声源混淆;加速度计、压力垫、床体振动或雷达适合长期趋势,但安静清醒可能被误判为睡眠,外部摇动又可能被误判为婴儿活动。光电容积描记、心率、呼吸率和血氧属于更敏感的生理输入,其质量受佩戴、灌注、运动和肤色等因素影响,也可能使产品进入更严格的医疗监管范围。照护者日记和普通视频标注可以提供情境信息,但不能在未证明等效时被称为多导睡眠监测真值。

三、数据流程与模型设计

数据流程一般包括采集质量检查、时间同步、去伪迹、分窗、特征或表示学习、状态推断、时间平滑和结果展示。传统模型可使用活动量、呼吸规律、心率变异、声音事件和姿态变化等特征;深度模型可从原始波形或多模态序列学习表示。模型复杂度不是首要目标,关键是输入依赖、输出语义和故障表现可被测试。训练资料应记录设备型号、采样率、安装位置、固件、标注规范、年龄分布、早产情况、健康与疾病背景、睡眠场景及缺失数据原因。

切分训练、验证和测试集时,应以婴幼儿为最小隔离单位,并在可能时进一步按家庭、采集站点和设备批次隔离。把同一名婴儿相邻的时间窗随机分到训练集和测试集,会让模型记住个体与环境特征,形成虚高的成绩。数据增强、重采样、类别权重和预训练都应只使用允许进入训练阶段的数据;阈值选择和时间平滑参数也不能借用最终测试集调优。

多模态融合应定义各通道缺失时的退化策略,不能在摄像头被遮挡或可穿戴设备脱落时静默地继续输出高置信度状态。系统宜先进行信号质量评估,再决定分类、降低置信度或拒绝判断,并把不可用原因传递给界面。对会触发通知的产品,还要将状态估计与通知策略分开验证:分类阈值、持续时间、抑制窗口和升级规则共同决定真实世界的误报负担。边缘计算可以减少原始音视频外传,但仍需验证端侧量化、功耗限制和不同硬件实现是否改变性能。

四、验证指标、泛化与公平性

总体准确率不足以评价此类算法,因为安静睡眠等常见状态可能占据大部分记录。验证应提供混淆矩阵,以及每个状态的灵敏度、特异度、阳性预测值、阴性预测值、F1 分数;同时报告宏平均 F1、平衡准确率、与人工评分的一致性、概率校准和置信区间。对连续使用,还应评价状态转换的检测延迟、睡眠开始与结束偏差、每小时误报次数、数据不可用比例、拒判覆盖率,以及电量、网络中断和恢复后的行为。

内部测试之后,需要在独立、具有代表性的资料上做外部验证,最好包括前瞻性真实场景。分层结果至少应考虑出生后月龄与校正月龄、足月与早产、健康状态、肤色与灌注差异(涉及光学传感器时)、衣物和包裹方式、仰卧或其他被观察姿态、床具、照明、噪声、照护者触碰、喂养、安抚、摇床、多人物和不同设备版本。小样本亚组的“不显著差异”不能证明公平;应同时呈现样本量、不确定性和失败案例。

验证资料应与预期用途一致。夜间家庭趋势模型不能仅凭实验室短时记录证明有效,健康婴儿数据也不能自动支持早产儿、住院患儿或疾病筛查。算法与人工评分不一致时,应分析是标注不确定、信号故障、发育差异还是模型偏差,而不是只调整阈值追求平均分。发布前应预设可接受标准和停止条件,并保留挑战集,覆盖传感器脱落、遮挡、照护操作、极少体动、强外部运动和多人的高风险情境。

五、使用场景、人因与安全响应

界面应说明结果是实时估计、延迟汇总还是事后分析,并显示采集时间、信号质量、置信度、未知状态和最近一次有效更新时间。趋势图应避免用精确到分钟的视觉效果暗示不存在的精度;面向家长的文字应使用“算法估计”而非确定性诊断。若系统提供通知,用户必须能理解通知的触发条件、可能的误报与漏报、设备离线表现以及何时需要直接查看婴儿。

信息型睡眠趋势与医疗报警必须清楚分开。状态变化本身通常不是紧急事件,系统不得仅凭模型分类自动改变婴儿体位、限制活动、唤醒婴儿或给药。出现呼吸困难、发绀、反应异常、持续高热或照护者认为婴儿有危险时,应按当地急救和医疗建议行动,而不是等待应用确认。医生已为特定疾病开具监测或处置方案的家庭,应以医嘱为准,不能擅自用消费级算法替换。

误报会造成报警疲劳、睡眠剥夺和焦虑,漏报则可能制造虚假安全感并延误观察或就医。因此,真实世界测试要让家长、临床人员和护理人员参与,评估安装、校准、夜间查看、多人交接、断网、低电量、清洁和更新等完整流程。设备、支架与线缆不得引入缠绕、窒息、夹压、过热或跌落风险;监测功能也不能促使用户在不安全的床面、寝具或睡姿条件下使用产品。

六、隐私、安全与全生命周期治理

婴幼儿视频、音频、生理信号、睡眠时间表和家庭活动规律都属于高度敏感资料。系统应遵循目的限定和数据最少化,只采集实现已说明功能所需的通道和时段;提供清楚的监护人同意、权限控制、保留期限、导出、删除和撤回机制。能在本地完成的预处理与推断宜优先本地完成,云端传输和存储应加密,并记录访问、共享与管理操作。不得因为用户开启基本睡眠分析,就默认授权广告画像、身份识别或未经说明的模型训练。

涉及儿童个人信息时,应依适用地区法律确定监护人同意、儿童最佳利益、跨境传输和第三方处理责任。采集卧室音视频还可能记录兄弟姐妹、照护者和访客,产品需要提供可见的录制指示、隐私区域、麦克风或摄像头独立关闭、家庭成员告知和最小权限配置。研究数据去标识化不能只删除姓名;时间戳、面部、声音、设备标识和家庭规律仍可能重新识别个体。

上线后应持续监测信号不可用率、分层性能、误报、投诉、安全事件和数据漂移。模型、固件、传感器和阈值均要有可追溯版本,更新前进行影响评估与回归测试,采用签名发布、分阶段部署和可验证回滚,不能在没有告知的情况下改变输出含义。组织还需建立漏洞响应、访问审计、供应链清单、备份恢复、停服安排和事件上报机制;性能恶化或风险超出阈值时,应暂停相关功能并向用户提供明确处置说明。

七、证据、监管与采购检查

监管分类取决于预期用途、宣传主张、目标用户和错误后果,而不取决于产品自称“人工智能”还是“健康工具”。仅提供一般健康趋势的功能与用于诊断、治疗建议、生命体征监测或医疗报警的功能可能适用不同要求;一个研究原型或在单一数据集上发表的模型,不等于已经具备临床使用资格。开发者应为每项主张建立有效临床关联、分析验证和临床验证,并遵守目标市场关于医疗器械软件、儿童数据、网络安全和消费者保护的要求。

证据材料应公开或向采购方提供:预期用途与禁忌用途、适用年龄和人群、输入设备和最低信号质量、标签定义、数据来源与代表性、训练测试隔离方法、逐状态性能及置信区间、失败模式、拒判逻辑、版本变化和真实世界监测计划。若产品宣称能够降低风险或改善临床结局,还需要与该结局相匹配的研究设计,不能用分类准确率替代临床获益。不同国家或地区的授权不可自动移植,采购方应核对当地状态及获准的具体功能。

采购或部署时,可用一条完整链路审查:它为哪类婴幼儿解决什么问题,采集什么数据,由谁查看,错误时会发生什么,用户如何收到限制说明,出现异常由谁负责。合同应约定数据所有权、二次使用、子处理方、保存和删除、服务中断、漏洞修复、模型更新通知、性能承诺、审计权与退出迁移。只有在安全睡眠实践不被削弱、证据与主张相称、算法能够诚实拒判且责任边界清楚时,睡眠状态识别才适合作为护理与研究的辅助信息。