睡眠管理对于维持身体健康、认知功能和情绪福祉非常重要。它对记忆巩固、免疫系统调节和代谢平衡等过程至关重要。睡眠不足或睡眠质量差与心血管疾病、糖尿病、认知表现受损和情绪障碍的风险增加有关。准确的睡眠监测和分类对于诊断睡眠障碍和优化睡眠质量至关重要。传统上，多导睡眠图（PSG）一直是睡眠评估的金标准，可以测量多种生理信号，如脑活动（EEG）、肌肉张力（EMG）、眼动（EOG）和心血管功能。然而，由于其高昂的成本和复杂性，人们越来越关注替代的无创睡眠监测方法，例如广泛存在于可穿戴设备中的光电容积脉搏血氧监测（PPG）[1]。
然而，PPG信号更容易受到运动伪影（MA）的影响。运动伪影尤其具有挑战性，因为它们的幅度可能远大于潜在的脉动成分，经常与感兴趣的频谱（0–5 Hz）重叠[2]。这是由于PPG传感器的机制，它依赖于通过光电探测器检测反射光的变化。因此，信号对运动过程中的传感器位移和压力变化非常敏感[3]。在睡眠期间，运动相对较小，但也是确定睡眠阶段的间接指标。身体活动水平的变化与某些睡眠阶段有关。例如，在快速眼动（REM）睡眠期间，身体经历肌肉松弛，导致运动最小，而非快速眼动（NREM）睡眠阶段，特别是浅睡眠阶段（N1和N2），可能会涉及轻微的运动或调整。深度睡眠（N3）通常以运动减少为特征，反映了身体的恢复过程[4]，[5]。
运动引起的失真的严重程度还取决于所使用的光的波长。较短的波长，如绿光（530–535 nm），由于它们对组织的穿透较浅，对深层组织运动的敏感性较低，因此更能抵抗运动的影响[6]，[7]，[8]。相比之下，红光（660 nm）和红外光（850–940 nm）能更深入地穿透身体组织，因此更容易受到肌肉和骨骼运动的干扰[9]，[10]，[11]。研究表明，绿光和橙光比红光或红外光受运动引起的衰减影响更小[7]，并且在各种类型的运动下，绿光和蓝光的信噪比（SNR）显著提高[8]。
为了减轻运动伪影的影响，一种常见的方法是结合运动参考信号，通常来自加速度计或陀螺仪，通过自适应滤波器和噪声消除算法来支持伪影的去除[12]，[13]，[14]，[15]，[16]。一些策略利用多PPG通道作为内部参考来利用光谱冗余[17]。使用红外波长作为运动参考通过自适应滤波来清理信号[18]，[19]应用基于小波的分解和Beer–Lambert定律建模来隔离和减去运动成分。多波长传感在心率和血压估计方面被证明特别有效。诸如最大比率组合等技术与单波长参考相比，显示出高达50%的变化减少[20]。[11]应用ICA和PCA与SVD对绿色、红色和红外波段的12通道PPG数据进行处理，即使在高运动环境下也能实现高性能，灵敏度为82.49%，误检测率仅为0.17%。
类似的动机也体现在最近的PPG信号处理方法中，其中使用了信号级集成策略来减轻通道特定的伪影。一些研究提出了基于信号质量的动态通道切换[21]，[22]，融合了3种不同波长的输入PPG信号以产生单个输出信号，并使用UNet实现了心率计算，平均误差为4.5 bpm，比单独使用绿色PPG信号提高了23%。在使用PPG进行睡眠阶段分类时，仅使用了单个通道。传统的PPG方法在时间和频率域中提取了手工制作的心率变异性（HRV）特征，以输入到机器学习分类器中[23]，[24]。[25]使用PPG信号和手腕佩戴设备的心率活动数据结合，实现了他们数据集上4类睡眠阶段的平均准确率为76.4%。深度学习在SleepPPGNet中首次用于处理10小时的睡眠数据，同时使用CNN和TCN模型，实现了4类睡眠分类的中位数Cohen’s Kappa值为0.75[26]。
受到多通道PPG方法带来的鲁棒性和使用PPG进行深度学习睡眠分类的启发，我们将单通道PPG模型与4通道输入（2个绿色、红色和红外波长）以及在机器学习算法中的融合集成方法进行了比较，使用从Maximband收集的实际PPG数据来预测四个睡眠阶段。为了在现实世界环境中最大化可行性，我们使用了25 Hz的低采样率信号，并一次处理一小段数据，以便更快地响应和实时应用。通过比较单通道和使用集成模型的组合，我们研究了不同的PPG通道如何在深度学习模型中提供更多的可解释性，以了解睡眠阶段的转换。
