在現(xiàn)代社會，睡不好幾乎成了“常態(tài)病”。世界衛(wèi)生組織的調(diào)查顯示，約三分之一的人有不同程度的睡眠問題。長期睡眠不足或睡眠障礙，不僅讓人白天沒精神，還會增加高血壓、糖尿病、抑郁癥等風(fēng)險(xiǎn)。睡眠監(jiān)測就是通過科學(xué)儀器記錄睡眠過程中的腦電、呼吸、心率、血氧、體動 等指標(biāo)，來評估睡眠質(zhì)量，排查睡眠障礙。目前的“金標(biāo)準(zhǔn)”是多導(dǎo)睡眠監(jiān)測（PSG），患者需要在醫(yī)院睡眠中心過夜，頭上貼滿電極。但這種方法儀器復(fù)雜、不便攜，還可能影響自然睡眠,限制了其在長期日常監(jiān)測中的應(yīng)用；而現(xiàn)有便攜技術(shù)（如 PPG 心率變異性監(jiān)測）因依賴非神經(jīng)信號，睡眠分期準(zhǔn)確率較低。

多導(dǎo)睡眠監(jiān)測（PSG）

在此背景下，來自中國航天員科研訓(xùn)練中心與天津大學(xué)的研究團(tuán)隊(duì)，在《NeuroImage》發(fā)表題為《Sleep indicators and staging: A functional near-infrared spectroscopy study in healthy young adults》的研究。該研究通過同步使用貼額頭的近紅外設(shè)備（fNIRS）與醫(yī)院睡眠監(jiān)測金標(biāo)準(zhǔn)（即PSG），對 37 名健康年輕人的睡眠進(jìn)行監(jiān)測，最終證實(shí)：這款近紅外設(shè)備的睡眠監(jiān)測準(zhǔn)確率很高（不同分類場景下準(zhǔn)確率達(dá) 82.2%-94.2%），且其測算的入睡時(shí)間、睡眠效率等關(guān)鍵數(shù)據(jù)，與 PSG 結(jié)果高度接近，能滿足健康年輕人日常睡眠監(jiān)測的需求，彌補(bǔ)了傳統(tǒng) PSG 不便攜、便攜技術(shù)準(zhǔn)確率低的短板。

圖1. 論文信息

被試選擇：

納入 37 名健康青年（24 男 13 女，年齡 25-31 歲，平均 27.3±3.2 歲），均為右利手、無精神疾病史，匹茲堡睡眠質(zhì)量指數(shù)（PSQI）<8（提示睡眠質(zhì)量良好）；實(shí)驗(yàn)前規(guī)避熬夜與劇烈運(yùn)動，確保基線睡眠狀態(tài)穩(wěn)定。實(shí)驗(yàn)在受控睡眠實(shí)驗(yàn)室開展，被試于晚 10 點(diǎn)前到達(dá)并熟悉環(huán)境，佩戴設(shè)備后按個(gè)人習(xí)慣入睡，晨起后自由離開，還原自然睡眠狀態(tài)。

數(shù)據(jù)采集：

研究采用 “雙設(shè)備同步記錄” 策略

，以 PSG 為金標(biāo)準(zhǔn)，驗(yàn)證 fNIRS 信號的有效性： 

fNIRS 數(shù)據(jù)：使用荷蘭 Artinis PortaLite 便攜式近紅外貼片設(shè)備，2 個(gè)設(shè)備分別置于前額兩側(cè)（圖2 b），每設(shè)備含 3 通道光源 + 1 通道探測器（共 6 通道），采樣率 5Hz，采集氧合血紅蛋白（HbO?）、去氧血紅蛋白（HHb）、總血紅蛋白（tHb）3 類信號，聚焦前額葉腦區(qū)（與睡眠狀態(tài)關(guān)聯(lián)緊密的高級功能區(qū)）。

PSG 數(shù)據(jù)：采用德國 SOMNO Medizintechnik 多通道系統(tǒng)，含 6 通道 EEG（10-20 系統(tǒng)：F3、F4、C3、C4、O1、O2）、ECG、EOG、下頜 EMG 及呼吸波等；經(jīng)生物校準(zhǔn)（睜眼凝視、頭部運(yùn)動、眨眼、咬牙等動作）后記錄，由專業(yè)技術(shù)人員按 30 秒 epoch 手動分期，作為睡眠階段的標(biāo)簽。

圖2. (a) 展示多導(dǎo)睡眠圖（PSG）的通道配置，(b) 展示功能性近紅外光譜（fNIRS）的通道配置。傳統(tǒng) PSG 儀器復(fù)雜、電極多；fNIRS 只需要小貼片，簡單不干擾睡眠

數(shù)據(jù)處理：多維度特征提取與模型構(gòu)建

為從 fNIRS 信號中 “解碼” 睡眠狀態(tài)，研究分三步完成數(shù)據(jù)處理：

預(yù)處理：通過 Homer2 工具包去除運(yùn)動偽影，0.5Hz 低通濾波器濾除噪聲，將數(shù)據(jù)分割為 30 秒 epoch（與 PSG 時(shí)間同步）。

特征提取：從時(shí)域、頻域、熵三個(gè)維度提取特征，共獲得 540 個(gè) fNIRS 特征（6 通道 ×3 信號 ×30 類特征）（經(jīng) z-score 標(biāo)準(zhǔn)化排除異常值）：

30類特征包含以下三種：

時(shí)域（17 個(gè)）：大值（Max）、最小值（Min）、平均值（Ave）、中位數(shù)（Med）、峰峰值（P2PV）、整流平均值（RAV）、方差（Var）、標(biāo)準(zhǔn)差（Std）、峰度（Kurt）、偏度（Skew）、均方根（RMS）、均方值（MSV）、振幅均方根（RMSA）、波形因數(shù)（WaveF）、峰值因數(shù)（PeakF）、脈沖因數(shù)（ImpulseF）以及裕度因數(shù)（MarginF），反映描述信號波形的形態(tài)特征和信號波動幅度與集中趨勢。

頻域（5 個(gè)）：包括重心頻率（FC）、均方頻率（MSF）、均方根頻率（RMSF）、頻率方差（VF）和頻率標(biāo)準(zhǔn)差（RVF）。需要注意的是，由于功能性近紅外光譜（fNIRS）信號的頻率帶寬有限（通常在 0.03-0.1 赫茲之間），本研究的分析未涵蓋與功率譜相關(guān)的特征

熵（8 個(gè)）：包括功率譜熵（PSEn）、奇異譜熵（SSEn）、能量熵（EgyEn）、近似熵（ApEn）、樣本熵（SpEn）、模糊熵（FEn）、排列熵（PEn）和包絡(luò)熵（EnveEn），量化信號的隨機(jī)性與模式復(fù)雜性。

睡眠指標(biāo)篩選：先對每個(gè)特征進(jìn)行 Bonferroni 校正的方差分析（ANOVA，睡眠階段為自變量），再對 5 個(gè)睡眠階段的 10 對組合（[W,N1]、[W,N2]…）進(jìn)行事后比較，同時(shí)進(jìn)行現(xiàn)率（FDR）校正。在 10 對比較中，有超過 6 對存在顯著差異（p<0.05）的特征，判定為睡眠指標(biāo)。

模型構(gòu)建：采用 “集成學(xué)習(xí) + PCA 降維” 策略，把篩選出的睡眠指標(biāo)，經(jīng) PCA 降維至 30 個(gè)特征（保留原信號 95% 以上信息）；融合支持向量機(jī)（SVM）、梯度提升（XGB）、隨機(jī)森林（RF）三種算法，以多數(shù)投票確定分類結(jié)果，采用分層 10 折交叉驗(yàn)證評估性能。

評估指標(biāo)：

睡眠分期性能：Cohen’s kappa（一致性指標(biāo)）、準(zhǔn)確率、受試者工作特征曲線（ROC）及曲線下面積（AUROC）、敏感性、特異性

睡眠統(tǒng)計(jì)對比：睡眠潛伏期（SOL）、睡眠后清醒時(shí)間（WASO）、總清醒時(shí)間（TWT）、總睡眠時(shí)間（TST）、睡眠效率（SE）等，計(jì)算均值差異、99.9% 置信區(qū)間（CI）、均方根誤差（RMSE）；預(yù)設(shè)標(biāo)準(zhǔn)：WASO/TWT/TST 差異 < 30 分鐘，SE 差異 < 5% 為滿意一致性（p<0.001）

1. 哪些睡眠指標(biāo)最能區(qū)分睡眠階段？

圖3展示了時(shí)間域（Time domain）和熵（Entropy）特征在不同睡眠階段差異顯著，頻率幾乎沒有貢獻(xiàn)。

圖3. 時(shí)域、頻域及熵維度睡眠指標(biāo)的熱力圖。(a)、(b)、(c) 分別呈現(xiàn)氧合血紅蛋白（HbO?）、去氧血紅蛋白（HHb）及總血紅蛋白（tHb）的對應(yīng)睡眠指標(biāo)。x 軸代表 6 個(gè)通道，其中 ch1–6 分別對應(yīng)通道 1–6；y 軸顯示時(shí)域、頻域和熵維度各特征的縮寫形式，完整名稱詳見 “ 特征提取” 部分

 2. 睡眠階段的大腦血氧特征

圖4和圖5體現(xiàn)了睡眠深度變化的規(guī)律。隨著睡眠加深（W→N1→N2→N3→REM），腦血氧信號的振幅逐漸減弱，到 REM 階段又回升（圖4），而熵類指標(biāo)逐漸升高，REM 階段回落（圖5，熵值反映隨機(jī)性，升高意味著睡眠狀態(tài)轉(zhuǎn)換概率增加）。

圖4. 時(shí)間域變化規(guī)律

圖5. 熵指標(biāo)變化規(guī)律

3. fNIRS 與 PSG 的一致性

研究對比了 fNIRS 與 PSG 的睡眠分期結(jié)果，結(jié)果顯示整體準(zhǔn)確率接近 90%；Cohen’s kappa 系數(shù)達(dá)到 0.85（屬于“高度一致”）；主要誤差出現(xiàn)在 N1 和 N2，這兩個(gè)階段本來就容易混淆。表明fNIRS有潛力媲美 PSG，尤其在區(qū)分清醒、深睡和 REM 時(shí)非常精準(zhǔn)(圖 6)。

圖6. fNIRS vs PSG 睡眠分期對比。（a）代表對 37 名受試者均進(jìn)行五階段（Wake、N1、N2、N3、REM）分類后得到的平均混淆矩陣。（b）、（c）分別代表 34 號受試者的混淆矩陣，以及該受試者的 PSG 睡眠圖與 fNIRS 睡眠圖（術(shù)語說明：1. confusion matrix “混淆矩陣”，是評估分類模型性能的常用工具，用于展示模型對不同類別的預(yù)測結(jié)果與實(shí)際結(jié)果的匹配情況；2. hypnogram “睡眠圖”，指記錄睡眠過程中不同睡眠階段隨時(shí)間變化的圖表；3. κ（Cohen’s kappa 系數(shù)），用于衡量兩種評估方法或分類結(jié)果的一致性，取值范圍 0-1，0.81 及以上為 “幾乎一致”，此處 0.85 表明 fNIRS 與 PSG 的睡眠分期結(jié)果一致性高。）

 4. 不同分期模型的表現(xiàn)

該研究構(gòu)建的 fNIRS 睡眠分期模型性能隨分類數(shù)量減少而提升（圖7a），具體表現(xiàn)為：

二分類（清醒/睡眠）：準(zhǔn)確率 94%。

三分類（清醒/NREM/REM）：準(zhǔn)確率 88%。

四分類（清醒/N1+N2/N3/REM）：準(zhǔn)確率 82%，依然可靠。

fNIRS 睡眠分期模型與 PSG 的一致性方面：

睡眠分期的 epoch-by-epoch 對比中，所有分類的 AUROC 均 > 90% （圖7b），34 號受試者的 kappa 值達(dá) 0.85（接近 “幾乎一致”），所有受試者平均 Spearman 相關(guān)系數(shù) 0.651±0.080；

圖7. 不同分期精度對比

這項(xiàng)研究證明了 fNIRS 在睡眠分期上的可行性和高精度，差異控制在分鐘級別，準(zhǔn)確率超過 80%–90%，該研究以37名健康年輕人為對象，同步采集fNIRS與PSG數(shù)據(jù)，從時(shí)域（如P2PV、Std）、熵維度（如ApEn、SpEn）篩選出敏感睡眠指標(biāo)（tHb信號敏感性優(yōu)），構(gòu)建集成學(xué)習(xí)睡眠分期模型，2/3/4分類的kappa值分別達(dá)0.76±0.12、0.72±0.09、0.71±0.07，準(zhǔn)確率對應(yīng)為94.2±2.4%、87.8±3.2%、82.2±4.1%，且fNIRS導(dǎo)出的睡眠統(tǒng)計(jì)數(shù)據(jù)（如SOL、WASO）與PSG差異<3%，證實(shí)其是可靠的便攜睡眠監(jiān)測工具；但研究存在明顯不足，僅納入健康年輕人，未涉及患者、不同年齡段人群及性別差異分析，且僅采集前額葉數(shù)據(jù)、未制定fNIRS專屬睡眠分期標(biāo)準(zhǔn)，難以直接對接臨床；未來需在患者、老年/兒童群體中驗(yàn)證模型適用性，采集全腦fNIRS數(shù)據(jù)并探索多神經(jīng)標(biāo)志物，同時(shí)建立fNIRS睡眠分期規(guī)范，推動其成為PSG的輔助臨床工具。

原文鏈接

研究團(tuán)隊(duì)介紹

關(guān)于維拓啟創(chuàng)

相關(guān)產(chǎn)品