在現代社會，睡不好幾乎成了“常態病”。世界衛生組織的調查顯示，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、抑郁癥等風險。睡眠監測就是通過科學儀器記錄睡眠過程中的腦電、呼吸、心率、血氧、體動 等指標，來評估睡眠質量，排查睡眠障礙。目前的“金標準”是多導睡眠監測（PSG），患者需要在醫院睡眠中心過夜，頭上貼滿電極。但這種方法儀器復雜、不便攜，還可能影響自然睡眠,限制了其在長期日常監測中的應用；而現有便攜技術（如 PPG 心率變異性監測）因依賴非神經信號，睡眠分期準確率較低。

多導睡眠監測（PSG）

在此背景下，來自中國航天員科研訓練中心與天津大學的研究團隊，在《NeuroImage》發表題為《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備（fNIRS）與醫院睡眠監測金標準（即PSG），對 37 名健康年輕人的睡眠進行監測，最終證實：這款近紅外設備的睡眠監測準確率很高（不同分類場景下準確率達 82.2%-94.2%），且其測算的入睡時間、睡眠效率等關鍵數據，與 PSG 結果高度接近，能滿足健康年輕人日常睡眠監測的需求，彌補了傳統 PSG 不便攜、便攜技術準確率低的短板。

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，匹茲堡睡眠質量指數（PSQI）<8（提示睡眠質量良好）；實驗前規避熬夜與劇烈運動，確保基線睡眠狀態穩定。實驗在受控睡眠實驗室開展，被試于晚 10 點前到達并熟悉環境，佩戴設備后按個人習慣入睡，晨起后自由離開，還原自然睡眠狀態。

數據采集：

研究采用 “雙設備同步記錄” 策略

，以 PSG 為金標準，驗證 fNIRS 信號的有效性： 

fNIRS 數據：使用荷蘭 Artinis PortaLite 便攜式近紅外貼片設備，2 個設備分別置于前額兩側（圖2 b），每設備含 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（與睡眠狀態關聯緊密的高級功能區）。

PSG 數據：采用德國 SOMNO Medizintechnik 多通道系統，含 6 通道 EEG（10-20 系統：F3、F4、C3、C4、O1、O2）、ECG、EOG、下頜 EMG 及呼吸波等；經生物校準（睜眼凝視、頭部運動、眨眼、咬牙等動作）后記錄，由專業技術人員按 30 秒 epoch 手動分期，作為睡眠階段的標簽。

圖2. (a) 展示多導睡眠圖（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 PSG 儀器復雜、電極多；fNIRS 只需要小貼片，簡單不干擾睡眠

數據處理：多維度特征提取與模型構建

為從 fNIRS 信號中 “解碼” 睡眠狀態，研究分三步完成數據處理：

預處理：通過 Homer2 工具包去除運動偽影，0.5Hz 低通濾波器濾除噪聲，將數據分割為 30 秒 epoch（與 PSG 時間同步）。

特征提取：從時域、頻域、熵三個維度提取特征，共獲得 540 個 fNIRS 特征（6 通道 ×3 信號 ×30 類特征）（經 z-score 標準化排除異常值）：

30類特征包含以下三種：

時域（17 個）：大值（Max）、最小值（Min）、平均值（Ave）、中位數（Med）、峰峰值（P2PV）、整流平均值（RAV）、方差（Var）、標準差（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（WaveF）、峰值因數（PeakF）、脈沖因數（ImpulseF）以及裕度因數（MarginF），反映描述信號波形的形態特征和信號波動幅度與集中趨勢。

頻域（5 個）：包括重心頻率（FC）、均方頻率（MSF）、均方根頻率（RMSF）、頻率方差（VF）和頻率標準差（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的特征

熵（8 個）：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）和包絡熵（EnveEn），量化信號的隨機性與模式復雜性。

睡眠指標篩選：先對每個特征進行 Bonferroni 校正的方差分析（ANOVA，睡眠階段為自變量），再對 5 個睡眠階段的 10 對組合（[W,N1]、[W,N2]…）進行事后比較，同時進行現率（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。

模型構建：采用 “集成學習 + PCA 降維” 策略，把篩選出的睡眠指標，經 PCA 降維至 30 個特征（保留原信號 95% 以上信息）；融合支持向量機（SVM）、梯度提升（XGB）、隨機森林（RF）三種算法，以多數投票確定分類結果，采用分層 10 折交叉驗證評估性能。

評估指標：

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

睡眠統計對比：睡眠潛伏期（SOL）、睡眠后清醒時間（WASO）、總清醒時間（TWT）、總睡眠時間（TST）、睡眠效率（SE）等，計算均值差異、99.9% 置信區間（CI）、均方根誤差（RMSE）；預設標準：WASO/TWT/TST 差異 < 30 分鐘，SE 差異 < 5% 為滿意一致性（p<0.001）

1. 哪些睡眠指標最能區分睡眠階段？

圖3展示了時間域（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。

圖3. 時域、頻域及熵維度睡眠指標的熱力圖。(a)、(b)、(c) 分別呈現氧合血紅蛋白（HbO?）、去氧血紅蛋白（HHb）及總血紅蛋白（tHb）的對應睡眠指標。x 軸代表 6 個通道，其中 ch1–6 分別對應通道 1–6；y 軸顯示時域、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體現了睡眠深度變化的規律。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），而熵類指標逐漸升高，REM 階段回落（圖5，熵值反映隨機性，升高意味著睡眠狀態轉換概率增加）。

圖4. 時間域變化規律

圖5. 熵指標變化規律

3. fNIRS 與 PSG 的一致性

研究對比了 fNIRS 與 PSG 的睡眠分期結果，結果顯示整體準確率接近 90%；Cohen’s kappa 系數達到 0.85（屬于“高度一致”）；主要誤差出現在 N1 和 N2，這兩個階段本來就容易混淆。表明fNIRS有潛力媲美 PSG，尤其在區分清醒、深睡和 REM 時非常精準(圖 6)。

圖6. fNIRS vs PSG 睡眠分期對比。（a）代表對 37 名受試者均進行五階段（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測結果與實際結果的匹配情況；2. hypnogram “睡眠圖”，指記錄睡眠過程中不同睡眠階段隨時間變化的圖表；3. κ（Cohen’s kappa 系數），用于衡量兩種評估方法或分類結果的一致性，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 的睡眠分期結果一致性高。）

 4. 不同分期模型的表現

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

二分類（清醒/睡眠）：準確率 94%。

三分類（清醒/NREM/REM）：準確率 88%。

四分類（清醒/N1+N2/N3/REM）：準確率 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 0.85（接近 “幾乎一致”），所有受試者平均 Spearman 相關系數 0.651±0.080；

圖7. 不同分期精度對比

這項研究證明了 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數據，從時域（如P2PV、Std）、熵維度（如ApEn、SpEn）篩選出敏感睡眠指標（tHb信號敏感性優），構建集成學習睡眠分期模型，2/3/4分類的kappa值分別達0.76±0.12、0.72±0.09、0.71±0.07，準確率對應為94.2±2.4%、87.8±3.2%、82.2±4.1%，且fNIRS導出的睡眠統計數據（如SOL、WASO）與PSG差異<3%，證實其是可靠的便攜睡眠監測工具；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，且僅采集前額葉數據、未制定fNIRS專屬睡眠分期標準，難以直接對接臨床；未來需在患者、老年/兒童群體中驗證模型適用性，采集全腦fNIRS數據并探索多神經標志物，同時建立fNIRS睡眠分期規范，推動其成為PSG的輔助臨床工具。

原文鏈接

研究團隊介紹

關于維拓啟創

相關產品