Lead. 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，既繁琐又昂贵，不适合常规筛查或居家使用。现在，一个大型国际团队公布了BCGNet的研究结果，这是一种深度学习模型，只需将传感器垫塞入枕头下，即可执行临床级睡眠分期和呼吸暂停检测。这项于7月3日发表在《NPJ Digital Medicine》上的研究报告称，该模型在无需直接接触患者皮肤的情况下，可媲美或超越许多现有方法。
What they found. BCGNet是一种两阶段迁移学习架构，由来自中国、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预训练该模型，然后在由枕下设备捕获的15,081小时心冲击图（BCG）记录上进行微调。总计约596,000小时的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之间的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，皮尔逊相关系数超过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、睡眠效率和各阶段所用时间，其组内相关系数和皮尔逊r值通常高于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样化外部数据集中均表现出良好的泛化能力。作者还展示了该模型在短时间日间小睡记录中的强劲性能，表明其具有超越夜间监测的潜在用途。
Why it matters. 阻塞性睡眠呼吸暂停影响全球约9.36亿成年人，其中绝大多数尚未被诊断。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适，家庭测试的依从性仍然不一。
真正非接触的方法消除了这些障碍。枕下BCG垫无需患者设置、无需在使用之间清洁、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真实世界部署中得到验证，该设备可以极大地扩大客观睡眠评估的可及性，尤其是在PSG不可用或不实用的环境中。
该模型以超过0.95的皮尔逊r估算AHI3%的能力尤其值得关注。呼吸暂停-低通气指数是诊断和分级睡眠呼吸暂停严重程度的主要指标。能够产生临床可操作AHI值的非接触式传感器可以作为一种可扩展的筛查工具，有可能识别出数百万将从进一步评估和治疗中受益的未确诊患者。
Limits. 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多样化，但它们仍然是经过筛选的研究资料集，可能无法完全代表一般人群。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。该模型在患有复杂合并症、严重心律失常或异常睡眠结构的患者中的表现尚未得到广泛评估。专利由北京的五季医疗（Five Seasons Medical）持有，且多名作者是该设备制造商的雇员，这是在评估报告的性能数据时应权衡的潜在利益冲突。该研究得到了中国国家自然科学基金委员会和中国科学技术部的支持。
Bottom line. BCGNet证明，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非接触式心冲击图信号，产生接近监督式多导睡眠图准确性的睡眠分期和呼吸暂停估计。这项工作代表了最新、最有力的证据，表明可穿戴和非接触式传感器与复杂的神经网络相结合，可能很快将使可靠的睡眠评估惠及任何拥有床铺的人。
Source. 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