基于 CNN-Transformer 混合架构的自动睡眠分期深度学习框架vEpiSleepNet，支持多通道 EEG 信号输入，可对 ISRUC 公开数据集及临床多导睡眠图（eeg）数据进行五期睡眠自动分类。
vEpiSleepNet 以 30 秒 EEG 片段为基本单元，实现端到端的五期睡眠自动分期（Wake / N1 / N2 / N3 / REM）。核心思路：
- 使用预训练的 EfficientNet-B0 对 EEG 频谱图进行局部特征提取；
- 通过**膨胀卷积（Dilated CNN）**增大感受野；
- 再接单层 Transformer Encoder（ParallelScalingBlock）建模全局时序依赖；
- 以 CLS token 聚合序列表示，完成五分类输出。
此外，base_trainer/ 目录还保留了多个可替换的对比模型（DeepSleepNet、SeqSleepNet、AttnSleep、SleepTransformer 等），便于消融实验。
输入: EEG 多通道原始信号 [B, C, 15000]
↓
CNNEmbedding
├─ EfficientNet-B0 (pretrained, 单通道输入) → 空间特征图
└─ Dilated CNN Head (Conv1d × 3, dilation=1/2/3) → [B, 768, T]
↓
位置编码 + CLS Token → [B, T+1, 768]
↓
Transformer Encoder (ParallelScalingBlock × 1, heads=8)
↓
LayerNorm + Dropout(0.5)
↓
Linear(768 → 5) → 分类 logits
| 超参数 | 值 |
|---|---|
| Embed Dim | 768 |
| Transformer Heads | 8 |
| Transformer Blocks | 1 |
| Drop Path | 0.2 |
| Dropout | 0.5 |
| 标签值 | 睡眠阶段 |
|---|---|
| 0 | Wake（清醒期） |
| 1 | N1（非快速眼动 1 期） |
| 2 | N2（非快速眼动 2 期） |
| 3 | N3（慢波睡眠） |
| 4 | REM（快速眼动期） |
ISRUC 原始标签中 REM 为 5，预处理脚本已自动映射为 4。
bash get_ISRUC_S1.sh # 下载原始数据
python ISRUC_S1_data_preprocess.py # 预处理 → npy 片段- 采样率重采样至 200 Hz，每 epoch 6000 个采样点
- 自动识别 A 参考 / M 参考两种命名方案
- 滤波：50 Hz 陷波 + 0.3–50 Hz 带通
- 输出路径：
./data/ISRUC_S1/PerSegment_8ch/ - 文件命名格式：
ISRUC_S3_sub{id}_{seg:03d}__{label}.npy
bash get_ISRUC_S3.sh # 下载原始数据
python ISRUC_S3_data_preprocess.py # 预处理 → npy 片段- 采样率重采样至 100 Hz，每 epoch 3000 个采样点
项目同时支持xx医院临床eeg数据，使用 29 导联配置（如下所示）。
通道列表：
Fp1, Fp2, F3, F4, C3, C4, P3, P4, O1, O2,
F7, F8, T3, T4, T5, T6, Fz, Cz, Pz,
PG1, PG2, A1, A2
实际送入模型的通道为 23 个 EEG 通道归一化后，再拼接 A1/A2 参考差分导联（19+19=38 维），截断/补零至长度 15000。
pip install -r requirements.txt| 主要依赖 | 版本 |
|---|---|
| torch | 1.13.0 |
| torchvision | 0.14.0 |
| torchaudio | 0.13.0 |
| timm | 0.9.2 |
| mne | 1.4.2 |
| numpy | 1.25.2 |
| pandas | 2.0.1 |
| scikit-learn | 1.2.2 |
建议使用支持 CUDA 的 GPU 进行训练（代码默认使用 GPU
2,7，可在train.py中修改CUDA_VISIBLE_DEVICES）。
参照数据集支持完成数据下载与预处理，并生成包含以下字段的 CSV 索引文件：
| 字段 | 说明 |
|---|---|
file_path |
npy 文件绝对路径 |
target |
睡眠分期标签（0–4） |
fold |
交叉验证折编号（0–4） |
name |
EEG 记录名（用于按受试者分折） |
使用 k_fold_split_by_eeg.py 生成 5 折分割：
python k_fold_split_by_eeg.py编辑 train_config.py，更新以下路径：
config.DATA.data_file = '/path/to/your/data.csv'
config.MODEL.model_path = '/path/to/save/models'python train.py- 默认执行 5 折交叉验证
- 每折每个 epoch 结束后保存
.pth权重 - 训练日志实时输出到控制台
python eval.py --weight /path/to/model.pth \
--test_path /path/to/test.csv \
--save_predict_csv False加 --save_predict_csv True 会将预测结果写回 CSV（添加 pseudo_label 和 pred_prob 列）。
vEpiSleepNet/
├── train.py # 训练入口（5 折交叉验证）
├── eval.py # 评估脚本
├── train_config.py # 训练超参数配置
├── k_fold_split_by_eeg.py # 按 EEG 记录生成 K-Fold 索引
├── ISRUC_S1_data_preprocess.py # ISRUC-S1 数据预处理（8 通道）
├── ISRUC_S3_data_preprocess.py # ISRUC-S3 数据预处理（单通道）
├── get_ISRUC_S1.sh # ISRUC-S1 数据集下载脚本
├── get_ISRUC_S3.sh # ISRUC-S3 数据集下载脚本
├── requirements.txt # Python 依赖列表
├── base_trainer/
│ ├── transformer.py # 主模型：EfficientNet + Transformer
│ ├── model.py # 备选模型：ResNet1D+LSTM、TinyConvNet
│ ├── dataietr.py # Dataset / DataLoader 实现
│ ├── net_work.py # 训练循环（Train 类）
│ ├── metric.py # 评估指标（F1、混淆矩阵、ROC-AUC）
│ ├── attnsleep.py # 对比模型：AttnSleep
│ ├── deepsleepnet.py # 对比模型：DeepSleepNet
│ ├── seqsleepnet.py # 对比模型：SeqSleepNet
│ ├── mmasleepnet.py # 对比模型：MMASleepNet
│ ├── sleeptransformer.py # 对比模型：SleepTransformer
│ └── msa_cnn.py # 对比模型：MSA-CNN
└── utils/
├── logger.py # 日志工具
└── seed_utils.py # 随机种子固定
主要超参数均在 train_config.py 中集中管理：
| 参数 | 默认值 | 说明 |
|---|---|---|
batch_size |
64 | 批大小 |
epoch |
20 | 最大训练轮数 |
init_lr |
0.0005 | 初始学习率 |
lr_scheduler |
cos |
学习率调度器（cos / ReduceLROnPlateau） |
warmup_step |
1500 | Warmup 步数 |
opt |
Adamw |
优化器 |
weight_decay_factor |
0.01 | L2 正则化系数 |
gradient_clip |
5 | 梯度裁剪阈值 |
early_stop |
20 | 早停耐心轮数 |
k_fold |
5 | 交叉验证折数 |
num_classes |
2 | 输出类别数（实际模型输出 5 类） |
SEED |
10086 | 随机种子 |
训练过程中每个 epoch 自动计算并打印以下指标：
- Macro F1-score（主要指标，用于模型保存判断）
- Macro Precision / Recall
- 5×5 混淆矩阵（Wake / N1 / N2 / N3 / REM）
eval.py 额外支持：
- ROC 曲线与 AUC（二分类场景）
- Precision-Recall 曲线
- 特异性-灵敏度曲线（Specificity-Sensitivity）
- 伪标签生成（将预测结果写回 CSV 供半监督训练使用）