近日，我校电子工程与光电技术学院洪弘教授团队在无感睡眠监测与远程睡眠健康管理关键技术研究方面取得新进展，相关成果以“Advancing Sleep Health Equity Through Deep Learning on Large-Scale Nocturnal Respiratory Signals”为题发表于国际综合类顶级期刊Nature Communications。南京理工大学为成果第一完成单位和第一通讯单位，洪弘教授和北京邮电大学彭木根教授为共同通讯作者，电光学院2023级博士生研究生庄中旭与青年教师薛彪为共同第一作者（文章链接：https://doi.org/10.1038/s41467-025-64340-y）。
睡眠健康是全球性的重要公共卫生议题，然而其服务的可及性却长期受到医疗资源配置不均与技术壁垒的制约。面对日益增长的睡眠障碍患者群体，现有诊断模式的“高门槛”与“低可及性”问题并存，这极大地阻碍了睡眠健康公平的实现。作为一种新兴的无接触式生理感知技术，毫米波雷达监测因其无需佩戴、干扰性低且支持长期连续监测的独特优势，为居家场景下的睡眠健康评估提供了极具前景的解决方案。然而，现有相关技术大多局限于小规模数据集的验证，由此开发的模型普遍存在泛化能力不足、对生理过程的解析不够深入等问题，导致其临床转化的可靠性与有效性面临瓶颈。面对日益增长的睡眠健康需求与传统诊疗模式的局限性，如何构建一套兼具无感便捷、性能可靠与规模化推广能力的睡眠监测新范式，从而推动睡眠健康服务的公平可及，是该领域亟待解决的关键科学问题。
研究团队首创性地提出了一种同源异质信号的跨模态迁移分析方法，利用“呼吸即睡眠”的核心思路，将大规模接触式监测数据中蕴含的不同睡眠状态下的呼吸生理规律，高效迁移至样本稀缺的无感监测场景。团队进一步搭建了远程睡眠健康管理平台，为将专业级睡眠监测服务从医院推广至千家万户提供了可行的解决方案，对推动睡眠健康公平可及具有重要意义。为精准捕捉夜间呼吸生理与睡眠结构的复杂映射关系，团队整合了一个涵盖15,785个夜晚的大规模多中心睡眠呼吸信号数据库。基于此，团队开发了名为ResSleepNet的深度学习模型，其核心创新在于：首先，采用“多任务联合解码”策略，在统一框架内同时进行睡眠分期和睡眠呼吸暂停低通气指数（AHI）估计，以此有效解耦睡眠的宏观结构与睡眠呼吸暂停事件之间的内在关联 ；其次，针对数据来源于多个中心的挑战，模型引入了“域对抗训练”机制，实现了数据特征的“去中心化”，从而显著增强了模型在不同设备和人群中的泛化能力 。
图1 |文章总体框架。 基于物联网的远程睡眠健康管理框架: a部署场景，包括偏远乡村地区、社区医院和城市医院; b使用毫米波雷达进行数据采集，并将数据传输至云服务器; c供患者和医生访问睡眠报告并管理治疗方案的用户界面 。大规模数据集与所提出的ResSleepNet模型:d用于模型开发的数据来源; e用于睡眠分期和AHI预测的多任务对抗学习框架; f睡眠状态评估结果，包括睡眠分期和睡眠呼吸障碍分析。公共睡眠健康意义: g预测与睡眠障碍相关的疾病风险; h根据个体患者需求制定个性化治疗方案; i管理受睡眠问题影响的慢性疾病; j发现新型数字生物标志物以支持循证医学和精准医疗。
在内部和外部验证中，模型对睡眠分期的整体准确率分别达到82.13%和79.62%，对AHI的评估组内相关系数（ICC）高达0.90和0.94，性能媲美临床级设备。攻克无感监测技术在真实场景应用中的核心瓶颈，团队创新性地提出了“异质同源跨模态迁移”技术，以呼吸努力这一共同生理源构建共享表征空间，将海量呼吸信号中学到的复杂生理映射知识，高效、稳健地迁移至极少量雷达信号上，成功解决了不同传感模态间的知识迁移难题。验证结果显示，雷达端四阶段分期准确率提升至75.81%，AHI估计ICC达0.87，有效缓解非接触研究长期存在的数据稀缺、泛化不足等瓶颈。
图2 |四阶段睡眠分期、AHI估计以及睡眠呼吸障碍（SDB）严重程度分类性能评估。呼吸带信号(内部测试集、ClinHuaiAn)，雷达提取的呼吸信号(ClinRadar)。a, e, i：睡眠分期混淆矩阵；b, f, j：AHI散点图；c, g, k：AHI的Bland-Altman一致性分析图；d, h, l：SDB严重程度混淆矩阵 。
为实现技术的普惠应用，团队进一步开发了“远程睡眠健康管理平台”，具备睡眠障碍的检测、管理和治疗效果评估的能力。该平台集成上述模型，利用部署在用户家中的毫米波雷达进行无感数据采集，通过云端实现睡眠质量分析、呼吸障碍风险预警及治疗效果评估。医生可远程获取专业报告并指导干预。平台已成功应用于临床案例追踪，如清晰记录了一名失眠患者治疗过程中的睡眠结构改善，以及一名重度睡眠呼吸暂停患者接受持续正压通气（CPAP）治疗后AHI从56.73（重度）显著降至7.38（轻度）的效果，为个性化精准治疗和长期管理提供了关键的数据支持。
图3 |远程管理平台睡眠监测结果展示。a一名失眠患者：展示了一名失眠患者在治疗前、治疗中和治疗后三个时间点的睡眠分期预测及参数（总睡眠时间TST、睡眠效率SE、睡后清醒时间WASO、深睡时长和REM睡眠时长）的变化 ，结果显示出逐步的改善 。b一名重度睡眠呼吸暂停患者：展示了一名重度睡眠呼吸暂停患者在CPAP治疗前后的睡眠分期预测和AHI变化 ，结果表明其睡眠结构和呼吸事件均有显著改善。
研究成果为无感睡眠监测规模化落地提供了技术路径与标准化评估体系，对推动睡眠健康服务的公平可及具有重要意义。
上述工作得到了国家自然科学基金重点项目基金，国家自然科学基金区域创新发展联合基金，国家重点研发计划，以及国家自然科学青年基金等项目的支持。
