多模态睡眠-清醒检测系统：可穿戴设备的生理信号机器学习 pipeline

本项目针对传统睡眠监测（如PSG）成本高、不便日常使用的痛点，设计了一套专为腿部可穿戴设备的多模态睡眠-清醒检测pipeline。整合LED/PPG、加速度计、陀螺仪和温度传感器数据，通过机器学习模型实现睡眠与清醒状态的自动分类，为健康监测提供实用解决方案。

睡眠质量监测对健康管理至关重要，但传统PSG设备依赖实验室环境，成本高且不便日常使用。随着可穿戴设备普及，基于腿部等佩戴位置的睡眠监测成为研究热点。本项目旨在提供完整的多模态检测pipeline，解决单一传感器的局限性。

传感器类型与特征

• LED/PPG：提取心率、心率变异性、信号幅度等特征
• 运动传感器：计算SMA、方向无关指标、活动突发检测等
• 温度传感器：分析基线温度、变化率、变异性等

预处理与特征工程

• 传感器特定预处理（滤波、峰值检测、方向归一化等）
• 提取统计时域（均值、标准差等）、频域（FFT、PSD等）及PPG专用特征

模型选择

支持逻辑回归、随机森林、XGBoost等模型，用于睡眠-清醒分类。

评估指标

采用准确率、F1分数、ROC-AUC及混淆矩阵进行模型评估

特征重要性

通过随机森林和XGBoost增益分析，识别关键传感器与特征

可视化

• 传感器特征散点图：区分睡眠（蓝色）与清醒（红色）状态
• 预测概率时序图：对比模型预测与实际标签的一致性

例如，加速度计X轴RMS AUC特征在清醒期呈现高值，睡眠期接近零。

本项目展示了多模态传感器融合在睡眠监测中的潜力，通过整合多种信号源提升检测准确性与鲁棒性。对开发者提供完整参考实现，对研究人员助力睡眠算法发展，推动可穿戴健康监测的实用化。

项目以Jupyter Notebook组织工作流：

• 01_preprocess.ipynb：数据加载、清洗、窗口化
• 02_model.ipynb：模型训练与评估

工具函数封装于utils/包，包括滤波器、特征提取模块等，支持模块化适配不同数据集与设备规格。