研究优质睡眠出奇地困难。黄金标准，多导睡眠图，要求患者带着粘在头皮、面部、胸部和腿部的电极，腰间绑着带子，手指上戴着脉搏血氧仪，在实验室里过夜。这种设置昂贵、不舒服，对于睡眠障碍所需的定期监测来说不切实际。
多年来，研究人员一直在追求一种更简单的替代方案：一个单通道脑电图，通过额头或耳后的几个电极记录，配合一种能够自主判断睡眠阶段的算法。挑战在于，单通道捕获的信息远少于完整的临床导联组合，而且睡眠期间大脑的电活动模式微妙且容易混淆。
德黑兰塔比阿特莫达雷斯大学和密歇根州立大学的一个团队现已发布了一种方法，使单通道睡眠分期更接近临床实用性。他们的方法发表在《科学报告》上，结合了一种称为同步挤压变换的专门时频变换与三阶段深度学习流水线，在一个标准基准数据集上达到了83%的整体准确率。
从原始波形到清晰图像
任何单通道睡眠分期方法面临的第一个问题是如何表示原始脑电图信号。一段30秒的记录是电压随时间变化的噪声波动。睡眠分期的有意义信息在于存在哪些频率以及它们的功率在夜间如何变化，深度睡眠的慢Delta波、第2阶段的睡眠纺锤波、清醒时的快Alpha和Beta节律。
提取这些信息的标准方法是频谱图，它将信号切割成短窗口并计算每个窗口中存在的频率。但频谱图有一个基本的权衡：更好的时间分辨率意味着更差的频率分辨率，反之亦然。Aram及其同事使用的同步挤压变换通过将频谱能量重新分配到时频平面中更尖锐、更集中的脊线上来规避这一限制。结果是大脑节律随时间演变的图像更加清晰，相邻频率之间的模糊更少。
团队将每个30秒的时段分成256个样本段，在他们使用的Sleep-EDF数据集100 Hz采样率下大约2.56秒。他们将这些短段输入到卷积神经网络中，作为他们所谓的序列表示学习流水线的第一阶段。
学习看出差异
从头开始训练深度神经网络处理像睡眠分期这样复杂的任务是困难的，尤其是使用单通道脑电图的有限数据。研究人员采用三阶段策略解决了这个问题，类似于专家学习的方式：首先理解脑电图模式的基础，然后学习区分睡眠阶段，最后学习阶段如何随时间相互衔接。
第一阶段是直接的监督预训练。CNN学习将2.56秒的微段分类为睡眠阶段，构建有用的特征提取器基础。但团队的关键创新在于第二阶段：对比学习。
对比学习的工作原理是教会网络将相似信号的表示拉近，同时将不同信号的表示推远。研究人员在时段水平上，完整的30秒窗口，应用了这一点，通过从相同睡眠阶段创建正对，从不同阶段创建负对。这一步增强了编码器在抽象空间中分离睡眠阶段的能力，即使在其看到整个夜晚的时间结构之前也是如此。
第三阶段是网络学习按序列思考的地方。预训练编码器使用时间分布式策略处理完整的3000样本时段，意味着它在信号上滑动并按块生成特征向量序列。这些向量被输入到两个堆叠的门控循环单元中，这是一种专门学习随时间展开模式的循环神经网络。GRU捕捉连续时段之间的依赖关系：第2阶段睡眠通常先于慢波睡眠，REM遵循特定的周期进展，在第3阶段中间醒来是不太可能的。
83%及其意义
该方法在Sleep-EDF数据集上达到了83%的整体准确率，这是一个广泛使用的来自健康受试者的夜间脑电图记录集合。性能因睡眠阶段而异。清醒和REM睡眠被分类得最准确。非REM睡眠的较深阶段，第3阶段，有时称为慢波或Delta睡眠，显示出更高的混淆，这在自动睡眠分期中经常发生。
83%并不完美，它不会取代临床多导睡眠图来诊断复杂的睡眠障碍。但它与单通道方法的最新技术水平具有竞争力，并且它来自一个以新颖方式结合现有技术的流水线。在序列建模之前使用对比学习来改善特征可分离性，是与以往端到端训练整个网络的方法的区别。
从实验室到卧室
单通道脑电图可以用最少的设置进行记录，耳后的粘性贴片、头带、小型可穿戴设备。无需技术员，无需过夜。对于疑似睡眠呼吸暂停的患者，初步筛查可以在家中进行多个晚上，产生比在陌生实验室中单一夜晚更具代表性的图像。自动化睡眠专家目前进行的手动评分也可以在训练有素的评分员稀缺的环境中释放临床资源。
尚不能做的事情
Sleep-EDF数据集虽然是标准的，但仅包含来自少数没有重大睡眠障碍的健康受试者的记录。该方法是否适用于失眠或发作性睡病等患者尚不清楚。该算法也完全依赖脑电图，缺少多导睡眠图用于区分REM和清醒的肌张力和眼动通道。添加这些信号可能会提高准确率，但也会增加设置的复杂性。该方法也尚未在低成本的消费级脑电图硬件或不受控制的家庭环境中进行测试。
要点总结
从单通道进行自动睡眠分期是多年来的目标。同步挤压变换预处理与对比预训练循环网络的结合代表了一种真正的方法论进步，即使83%的准确率还有改进空间。该方法使该领域向可靠、舒适、无需睡眠实验室的家用睡眠监测目标又迈进了一步。
Source: Aram, S., Ghassemi, M.M. & Mohammadzadeh Asl, B. Single-channel EEG sleep stage classification using synchrosqueezed transform and sequential representation learning. Sci Rep 16, 42477395 (2026). https://doi.org/10.1038/s41598-026-62832-5
婷 翻译