在现代社会，睡不好几乎成了“常态病”。世界卫生组织的调查显示，约三分之一的人有不同程度的睡眠问题。长期睡眠不足或睡眠障碍，不仅让人白天没精神，还会增加高血压、糖尿病、抑郁症等风险。睡眠监测就是通过科学仪器记录睡眠过程中的脑电、呼吸、心率、血氧、体动 等指标，来评估睡眠质量，排查睡眠障碍。目前的“金标准”是多导睡眠监测（PSG），患者需要在医院睡眠中心过夜，头上贴满电极。但这种方法仪器复杂、不便携，还可能影响自然睡眠,限制了其在长期日常监测中的应用；而现有便携技术（如 PPG 心率变异性监测）因依赖非神经信号，睡眠分期准确率较低。

多导睡眠监测（PSG）

在此背景下，来自中国航天员科研训练中心与天津大学的研究团队，在《NeuroImage》发表题为《Sleep indicators and staging: A functional near-infrared spectroscopy study in healthy young adults》的研究。该研究通过同步使用贴额头的近红外设备（fNIRS）与医院睡眠监测金标准（即PSG），对 37 名健康年轻人的睡眠进行监测，最终证实：这款近红外设备的睡眠监测准确率很高（不同分类场景下准确率达 82.2%-94.2%），且其测算的入睡时间、睡眠效率等关键数据，与 PSG 结果高度接近，能满足健康年轻人日常睡眠监测的需求，弥补了传统 PSG 不便携、便携技术准确率低的短板。

图1. 论文信息

被试选择：

纳入 37 名健康青年（24 男 13 女，年龄 25-31 岁，平均 27.3±3.2 岁），均为右利手、无精神疾病史，匹兹堡睡眠质量指数（PSQI）<8（提示睡眠质量良好）；实验前规避熬夜与剧烈运动，确保基线睡眠状态稳定。实验在受控睡眠实验室开展，被试于晚 10 点前到达并熟悉环境，佩戴设备后按个人习惯入睡，晨起后自由离开，还原自然睡眠状态。

数据采集：

研究采用 “双设备同步记录” 策略

，以 PSG 为金标准，验证 fNIRS 信号的有效性： 

fNIRS 数据：使用荷兰 Artinis PortaLite 便携式近红外贴片设备，2 个设备分别置于前额两侧（图2 b），每设备含 3 通道光源 + 1 通道探测器（共 6 通道），采样率 5Hz，采集氧合血红蛋白（HbO₂）、去氧血红蛋白（HHb）、总血红蛋白（tHb）3 类信号，聚焦前额叶脑区（与睡眠状态关联紧密的高级功能区）。

PSG 数据：采用德国 SOMNO Medizintechnik 多通道系统，含 6 通道 EEG（10-20 系统：F3、F4、C3、C4、O1、O2）、ECG、EOG、下颌 EMG 及呼吸波等；经生物校准（睁眼凝视、头部运动、眨眼、咬牙等动作）后记录，由专业技术人员按 30 秒 epoch 手动分期，作为睡眠阶段的标签。

图2. (a) 展示多导睡眠图（PSG）的通道配置，(b) 展示功能性近红外光谱（fNIRS）的通道配置。传统 PSG 仪器复杂、电极多；fNIRS 只需要小贴片，简单不干扰睡眠

数据处理：多维度特征提取与模型构建

为从 fNIRS 信号中 “解码” 睡眠状态，研究分三步完成数据处理：

预处理：通过 Homer2 工具包去除运动伪影，0.5Hz 低通滤波器滤除噪声，将数据分割为 30 秒 epoch（与 PSG 时间同步）。

特征提取：从时域、频域、熵三个维度提取特征，共获得 540 个 fNIRS 特征（6 通道 ×3 信号 ×30 类特征）（经 z-score 标准化排除异常值）：

30类特征包含以下三种：

时域（17 个）：大值（Max）、最小值（Min）、平均值（Ave）、中位数（Med）、峰峰值（P2PV）、整流平均值（RAV）、方差（Var）、标准差（Std）、峰度（Kurt）、偏度（Skew）、均方根（RMS）、均方值（MSV）、振幅均方根（RMSA）、波形因数（WaveF）、峰值因数（PeakF）、脉冲因数（ImpulseF）以及裕度因数（MarginF），反映描述信号波形的形态特征和信号波动幅度与集中趋势。

频域（5 个）：包括重心频率（FC）、均方频率（MSF）、均方根频率（RMSF）、频率方差（VF）和频率标准差（RVF）。需要注意的是，由于功能性近红外光谱（fNIRS）信号的频率带宽有限（通常在 0.03-0.1 赫兹之间），本研究的分析未涵盖与功率谱相关的特征

熵（8 个）：包括功率谱熵（PSEn）、奇异谱熵（SSEn）、能量熵（EgyEn）、近似熵（ApEn）、样本熵（SpEn）、模糊熵（FEn）、排列熵（PEn）和包络熵（EnveEn），量化信号的随机性与模式复杂性。

睡眠指标筛选：先对每个特征进行 Bonferroni 校正的方差分析（ANOVA，睡眠阶段为自变量），再对 5 个睡眠阶段的 10 对组合（[W,N1]、[W,N2]…）进行事后比较，同时进行现率（FDR）校正。在 10 对比较中，有超过 6 对存在显著差异（p<0.05）的特征，判定为睡眠指标。

模型构建：采用 “集成学习 + PCA 降维” 策略，把筛选出的睡眠指标，经 PCA 降维至 30 个特征（保留原信号 95% 以上信息）；融合支持向量机（SVM）、梯度提升（XGB）、随机森林（RF）三种算法，以多数投票确定分类结果，采用分层 10 折交叉验证评估性能。

评估指标：

睡眠分期性能：Cohen’s kappa（一致性指标）、准确率、受试者工作特征曲线（ROC）及曲线下面积（AUROC）、敏感性、特异性

睡眠统计对比：睡眠潜伏期（SOL）、睡眠后清醒时间（WASO）、总清醒时间（TWT）、总睡眠时间（TST）、睡眠效率（SE）等，计算均值差异、99.9% 置信区间（CI）、均方根误差（RMSE）；预设标准：WASO/TWT/TST 差异 < 30 分钟，SE 差异 < 5% 为满意一致性（p<0.001）

1. 哪些睡眠指标最能区分睡眠阶段？

图3展示了时间域（Time domain）和熵（Entropy）特征在不同睡眠阶段差异显著，频率几乎没有贡献。

图3. 时域、频域及熵维度睡眠指标的热力图。(a)、(b)、(c) 分别呈现氧合血红蛋白（HbO₂）、去氧血红蛋白（HHb）及总血红蛋白（tHb）的对应睡眠指标。x 轴代表 6 个通道，其中 ch1–6 分别对应通道 1–6；y 轴显示时域、频域和熵维度各特征的缩写形式，完整名称详见 “ 特征提取” 部分

 2. 睡眠阶段的大脑血氧特征

图4和图5体现了睡眠深度变化的规律。随着睡眠加深（W→N1→N2→N3→REM），脑血氧信号的振幅逐渐减弱，到 REM 阶段又回升（图4），而熵类指标逐渐升高，REM 阶段回落（图5，熵值反映随机性，升高意味着睡眠状态转换概率增加）。

图4. 时间域变化规律

图5. 熵指标变化规律

3. fNIRS 与 PSG 的一致性

研究对比了 fNIRS 与 PSG 的睡眠分期结果，结果显示整体准确率接近 90%；Cohen’s kappa 系数达到 0.85（属于“高度一致”）；主要误差出现在 N1 和 N2，这两个阶段本来就容易混淆。表明fNIRS有潜力媲美 PSG，尤其在区分清醒、深睡和 REM 时非常精准(图 6)。

图6. fNIRS vs PSG 睡眠分期对比。（a）代表对 37 名受试者均进行五阶段（Wake、N1、N2、N3、REM）分类后得到的平均混淆矩阵。（b）、（c）分别代表 34 号受试者的混淆矩阵，以及该受试者的 PSG 睡眠图与 fNIRS 睡眠图（术语说明：1. confusion matrix “混淆矩阵”，是评估分类模型性能的常用工具，用于展示模型对不同类别的预测结果与实际结果的匹配情况；2. hypnogram “睡眠图”，指记录睡眠过程中不同睡眠阶段随时间变化的图表；3. κ（Cohen’s kappa 系数），用于衡量两种评估方法或分类结果的一致性，取值范围 0-1，0.81 及以上为 “几乎一致”，此处 0.85 表明 fNIRS 与 PSG 的睡眠分期结果一致性高。）

 4. 不同分期模型的表现

该研究构建的 fNIRS 睡眠分期模型性能随分类数量减少而提升（图7a），具体表现为：

二分类（清醒/睡眠）：准确率 94%。

三分类（清醒/NREM/REM）：准确率 88%。

四分类（清醒/N1+N2/N3/REM）：准确率 82%，依然可靠。

fNIRS 睡眠分期模型与 PSG 的一致性方面：

睡眠分期的 epoch-by-epoch 对比中，所有分类的 AUROC 均 > 90% （图7b），34 号受试者的 kappa 值达 0.85（接近 “几乎一致”），所有受试者平均 Spearman 相关系数 0.651±0.080；

图7. 不同分期精度对比

这项研究证明了 fNIRS 在睡眠分期上的可行性和高精度，差异控制在分钟级别，准确率超过 80%–90%，该研究以37名健康年轻人为对象，同步采集fNIRS与PSG数据，从时域（如P2PV、Std）、熵维度（如ApEn、SpEn）筛选出敏感睡眠指标（tHb信号敏感性优），构建集成学习睡眠分期模型，2/3/4分类的kappa值分别达0.76±0.12、0.72±0.09、0.71±0.07，准确率对应为94.2±2.4%、87.8±3.2%、82.2±4.1%，且fNIRS导出的睡眠统计数据（如SOL、WASO）与PSG差异<3%，证实其是可靠的便携睡眠监测工具；但研究存在明显不足，仅纳入健康年轻人，未涉及患者、不同年龄段人群及性别差异分析，且仅采集前额叶数据、未制定fNIRS专属睡眠分期标准，难以直接对接临床；未来需在患者、老年/儿童群体中验证模型适用性，采集全脑fNIRS数据并探索多神经标志物，同时建立fNIRS睡眠分期规范，推动其成为PSG的辅助临床工具。

原文链接

研究团队介绍

关于维拓启创

相关产品