导语. 要获得可靠的睡眠评估，通常意味着要在实验室里度过一晚，身上连接着数十个电极。多导睡眠图（PSG）作为睡眠分期和呼吸暂停诊断的金标准，不仅繁琐、昂贵，而且不适合常规筛查或家庭使用。如今，一个大型国际团队公布了BCGNet的研究成果，这是一种深度学习模型，仅通过放在枕头下的传感器垫即可实现临床级别的睡眠分期和呼吸暂停检测。该研究于7月3日发表在NPJ Digital Medicine上，报告称该模型在无需直接接触患者皮肤的情况下，达到或优于许多现有方法。
研究发现. BCGNet是一种两阶段迁移学习架构，由中国、澳大利亚和美国14个机构的研究人员共同开发，包括清华大学、哈佛医学院和加州大学旧金山分校。研究团队首先在580,865小时的多导睡眠图数据上对模型进行了预训练，然后在由枕下设备捕获的15,081小时心冲击图（BCG）记录上进行了微调。总计约596,000小时的组合训练集是睡眠分期研究领域有史以来规模最大的训练集之一。
在四类睡眠分期（清醒、浅睡眠、深睡眠、快速眼动睡眠）中，该模型在多个验证队列中取得了0.710至0.817的F1分数。在3%血氧饱和度下降阈值（AHI3%）下估算呼吸暂停低通气指数时，Pearson相关系数超过0.95，表明与参考PSG测量值近乎完美相关。睡眠连续性和结构指标，包括总睡眠时间、睡眠效率和每个阶段的停留时间，其组内相关系数和Pearson r值普遍高于0.8。
该模型在患者人口统计、记录设备和临床环境各不相同的多种外部数据集上均表现出良好的泛化能力。作者还证明了该模型在日间小睡短时记录上的强大性能，表明其潜在用途可能超越夜间监测。
重要性. 阻塞性睡眠呼吸暂停估计影响全球9.36亿成年人，其中绝大多数仍未得到诊断。目前的家庭睡眠测试虽然比实验室PSG更方便，但仍需要患者在面部、胸部或手指上佩戴传感器。许多患者觉得这些设备不舒服，家庭测试的依从性仍然不一致。
真正的无接触方法消除了这些障碍。枕下BCG垫不需要患者进行任何设置、使用之间无需清洁、也无需佩戴任何设备。它可以部署在家庭、长期护理机构和医院病房中，而不会干扰患者的睡眠环境。如果本研究报告的性能在前瞻性实际部署中得到验证，该设备可以极大地扩展客观睡眠评估的可及性，特别是在PSG不可用或不实用的环境中。
该模型在Pearson r超过0.95的情况下估算AHI3%的能力尤其值得注意。呼吸暂停低通气指数是用于诊断和分级睡眠呼吸暂停严重程度的主要指标。能够产生临床可行的AHI值的无接触传感器可以作为可扩展的筛查工具，有可能识别出数百万将从进一步评估和治疗中受益的未诊断患者。
局限性. 这项研究是回顾性的，作者承认在真实家庭环境中进行前瞻性验证是重要的下一步。虽然外部验证数据集是多样化的，但它们仍然是经过筛选的研究集合，可能无法完全代表普通人群。该设备仅捕获BCG信号；它无法直接测量气流、血氧饱和度或脑电图，这意味着模型必须间接推断这些参数。在患有复杂合并症、严重心律失常或异常睡眠结构的患者中的性能尚未得到广泛评估。该专利由北京公司五季医疗（Five Seasons Medical）持有，多名作者是该设备制造商的员工，在评估报告的绩效数据时应权衡这一潜在的利益冲突。本研究得到了中国国家自然科学基金和中国科学技术部的支持。
结论. BCGNet证明了在庞大的PSG数据银行上训练的深度学习模型可以有效地将其知识迁移到无接触心冲击图信号上，产生的睡眠分期和呼吸暂停估计值接近有监督多导睡眠图的准确性。这项工作是最新也是最强有力的证据，表明可穿戴和无接触传感器与复杂的神经网络相结合，可能很快就会让任何有床的人都能获得可靠的睡眠评估。
来源. Chen S, Chen X, et al. BCGNet: an AI model trained on 600 K hours of sleep data for a novel under-pillow contactless monitoring device. NPJ Digit Med. 2026 Jul 3. doi: 10.1038/s41746-026-02885-y. PMID: 42399358.
婷 翻译