编辑推荐：
为解决家庭环境睡眠监测难题，丹麦研究人员开展耳脑电图（Ear - EEG）用于睡眠监测的研究。他们收集 320 晚睡眠记录，发现其自动睡眠评分可行。该研究为睡眠监测提供新思路，强烈推荐科研读者阅读。
在睡眠监测的领域中，传统的睡眠监测方法存在着诸多局限。医院里常用的多导睡眠监测（PSG），需要在实验室环境下，给患者连接各种复杂的电极和传感器，这不仅限制了患者的活动自由，还使得监测场景局限于医院，无法满足人们在日常生活中随时随地进行睡眠监测的需求。而一些可穿戴设备，虽然方便佩戴，但在监测的准确性和对大脑活动信息的捕捉上，又难以达到理想效果。
为了突破这些困境，探索一种更便捷、准确且适用于家庭环境的睡眠监测方法，研究人员开启了一场意义非凡的科研之旅。丹麦的研究人员在《Scientific Data》期刊上发表了一篇名为《Ear - EEG Sleep Monitoring Datasets for Mobile Sleep Research》的论文。他们通过深入研究，得出了一系列令人瞩目的成果，为睡眠监测领域带来了新的曙光。这一研究成果意义重大，它为未来开发更先进的可穿戴睡眠监测设备奠定了坚实基础，有望让人们在家中就能轻松获得准确的睡眠监测数据，对改善睡眠质量、预防睡眠相关疾病有着深远的影响。
在这项研究中，研究人员运用了多种关键技术方法。他们采用耳脑电图（Ear - EEG）技术，通过将电极安装在耳塞上，获取大脑的电活动信号。同时，结合多导睡眠监测（PSG）技术，为睡眠监测提供更为全面和准确的参考数据。此外，还使用了腕部活动记录仪（Actigraphy）来记录受试者的活动情况，综合这些技术手段，从多个维度获取睡眠相关数据，为后续的研究分析提供了丰富的信息。
下面我们来详细看看研究结果：
1. 数据收集
研究人员通过公共渠道和口碑招募了 30 名健康的成年受试者。对于 EESM19 数据集，研究人员在当地听力诊所为受试者制作外耳模型，以此来适配耳脑电图（Ear - EEG）的记录设备；而 EESM23 数据集则采用了挑选通用耳塞的方式，找到最适合受试者的耳塞。在准备好适配的耳塞后，受试者会进行两种类型的记录。先是进行 Ear - EEG 和 PSG 的联合记录，EESM19 进行 4 晚，EESM23 进行 2 晚。这些记录并非连续进行，而是根据设备和时间的限制进行安排。完成联合记录后，EESM19 中有一半的受试者、EESM23 中的所有受试者还要进行仅 Ear - EEG 的记录，EESM19 为 12 晚，EESM23 为 10 晚。在所有记录完成后，受试者需要填写关于睡眠质量和设备舒适度的问卷，并且在 EESM19 的所有记录夜中，受试者还需佩戴腕部活动记录仪（Actigraphy）。通过这样的方式，研究人员收集到了大量丰富的睡眠数据。
2. 数据类型
本次研究中的记录包含多种类型。校准记录：让受试者观看一段带有各种指令的短视频，比如进行咬牙、睁眼闭眼、水平眼球运动等动作，以此来评估电极的质量。听觉稳态反应（ASSR）记录：在实验室安装好 EEG 设备后进行，用于获取电极连接质量的客观测量数据。睡眠记录：这部分记录在受试者自己的家中进行，更贴近日常生活场景，能获取更真实的睡眠数据。而且参与研究的人员主要是大学生，他们都没有已知的神经系统或睡眠障碍问题，保证了研究数据的相对纯净性。
3. 数据记录与存储
研究得到的两个数据集 EESM19 和 EESM23 都存储在
openneuro.org上，参考编号分别为‘ds005185’和‘ds005178’。所有数据都按照脑成像数据集（BIDS）标准进行格式化处理。EEG 文件以 EEGLAB 的.set 文件格式存储，手动评分数据存储为.tsv 事件文件，Actigraphy 记录则存储为 tsv.gz 文件，并且所有.tsv 文件都有配套的.json 文件来描述每一列的数据含义。按照 BIDS 标准，所有文件先按照‘受试者’分类，再到‘会话’，最后是‘模态’文件夹进行整理，每个文件也都依据这个规则命名，这样的存储方式方便后续的数据查找和分析。
4. 技术验证
研究人员重点验证了数据在自动睡眠评分方面的有效性。在数据处理过程中，首先使用内部开发的 Python 代码进行数据清洗，通过线性滤波和非线性检测去除瞬态伪影，这个清洗过程是对之前研究中使用的方法进行标准化和从 Matlab 到 Python 的转换。清洗后的数据被用来计算频谱图，并输入到在 SHHS 数据集上预训练的 SeqSleepNet 模型中。研究人员对模型进行了微调，将 SHHS 版本的网络在 EESM19 上以留一法进行微调，然后将另一个预训练网络先在 EESM19 所有受试者上微调，再在 EESM23 上进一步微调。最后，通过计算 Cohen's kappa 值，将微调后模型的输出与手动评分进行比较。结果显示，所有数据集的 Cohen's kappa 值都高于随机水平，但不同数据集之间存在差异。EESM19 由于规模较大，表现最佳，不过 EESM23 的表现比之前研究报告的稍差，研究人员推测可能与数据清洗管道从 Matlab 转换到 Python 有关，希望后续研究能进一步探究原因。
从研究结论来看，研究人员成功收集并整理了包含 320 个睡眠记录的两个大型数据集 EESM19 和 EESM23，这些数据是使用 Ear - EEG 方法收集的，并且与 PSG 和 Actigraphy 等数据相结合，为睡眠研究提供了丰富的资源。通过技术验证发现，利用 Ear - EEG 数据进行自动睡眠评分具有一定的可行性，虽然不同数据集之间存在性能差异，但整体表现优于随机水平。
在讨论部分，研究人员提到这些数据集具有广泛的应用前景。它们可以作为开发自动睡眠评分模型的基准数据集，帮助研究人员不断优化模型，提高睡眠评分的准确性。同时，也有助于深入研究 Ear - EEG 睡眠记录中的信息内容，比如探究肌肉活动在睡眠中的情况。此外，还能用于研究受试者之间以及受试者自身的差异，包括简单诱发刺激和睡眠特征方面的差异，甚至可以探索睡眠 “指纹”，通过长期监测个体睡眠的变化，为个性化的睡眠监测和改善提供依据。并且，数据集中的校准记录还可能为 EEG 模型的实时更新提供研究方向。
总的来说，这项研究成果为睡眠监测领域带来了新的思路和方法。它不仅为开发更便捷、准确的家庭睡眠监测设备提供了数据支持，还为后续的睡眠研究开辟了多个新的方向。相信在未来，随着对这些数据集的深入研究和应用，人们在睡眠监测和改善睡眠质量方面将取得更大的突破，让更多人受益于精准的睡眠健康管理。
