SleepConFormer：单通道脑电图框架在DOC患者意识评估中达到91.7%的准确率
一种名为SleepConFormer的新型机器学习框架，仅使用单通道脑电图（EEG），即可将微意识状态（MCS）患者与无反应觉醒综合征（UWS）患者区分开来，准确率达91.7%，根据发表在《IEEE Transactions on Biomedical Engineering》上的一项研究。该框架将睡眠分期和意识评估整合到一个统一流程中，为神经重症监护中客观、自动化的床旁监测提供了潜在路径。
SleepConFormer的发现
研究人员开发了SleepConFormer，这是一种用于处理单通道EEG信号的三组件深度学习架构。第一个组件MTERL（多任务EEG表征学习）是一个预训练模块，在大型公共睡眠数据集上训练，以学习可泛化的EEG特征。第二个组件是SCE-Transformer模块，它执行混淆感知的时间建模，旨在处理病理人群中经常出现的睡眠阶段之间的模糊边界转换。第三个组件使用logit空间聚合来生成针对觉醒-睡眠和觉醒-NREM-REM分期的稳健粗粒度分类。
在三个健康参与者的公共数据集上，该模型实现了84.5%至87.7%的五类睡眠分期准确率，跨数据集宏F1得分为78.73%。当在24名意识障碍（DOC）患者的临床队列中进行测试时，SleepConFormer在粗粒度觉醒-睡眠区分中保持了80.78%的准确率。关键的临床发现是该模型区分MCS和UWS的能力：准确率91.7%，曲线下面积（AUC）为0.846。这一表现比单模态特征基础方法高出12.5个百分点。
为何重要
意识障碍患者给临床医生带来了根本性挑战。根据定义，这些患者无法参与标准的行为评估，而行为评估仍然是确定意识水平的主要工具。DOC患者中传统的基于EEG的睡眠分期依赖于训练有素专家的手动评分，这是一个耗时且不适用于持续床旁监测的过程。
已知睡眠结构与意识水平相关。健康睡眠包括通过NREM和REM阶段的清晰循环，而这种结构沿着从MCS到UWS的频谱退化。从单个EEG通道自动捕获这种关系可以提供连续、客观的指标，用于追踪随时间推移的意识状态，无需患者配合或专家手动评分。单通道设置对于临床部署尤其有吸引力，因为它比高密度EEG阵列更易于应用、对患者负担更小，并且更容易集成到现有的神经重症监护工作流程中。
局限性
该研究有几个重要局限性。临床队列较小，只有24名DOC患者。评估使用了受试者独立的内部验证，这意味着模型是在同一队列中留出的患者上测试的，而不是来自完全独立机构的数据。在更大规模的多中心队列上进行外部验证对于该框架被考虑用于临床部署至关重要。此外，临床队列中80.78%的觉醒-睡眠准确率虽然很有希望，但仍有改进空间，而且该框架在不同EEG硬件设置和记录环境中的性能尚未经过测试。
结论
SleepConFormer提供了一个概念验证，即单通道EEG结合表征学习和基于transformer的时间建模，可以同时为意识障碍患者执行睡眠分期和意识评估。比单模态特征提高12.5个百分点表明，将睡眠分期信息整合到评估流程中增加了有意义的判别能力。如果在更大、更多样化的临床人群中得到验证，这种方法可以使用许多重症监护室已有的设备，在床旁实现持续、客观的意识监测。
Source
Man Li， Xiaoyu Bao， Di Chen， Wei Gao， Pengmin Qin， Xinyi Jin， Xiaochun Yang， Yanbin He， Jiahui Pan， Yuanqing Li. “SleepConFormer: A Single-Channel EEG Framework for Sleep Staging and Consciousness Assessment in Patients with Disorders of Consciousness.” IEEE Transactions on Biomedical Engineering， July 1， 2026. DOI: 10.1109/TBME.2026.3708665. PMID: 42384537.
婷 翻译