编辑推荐：
睡眠对健康至关重要，传统睡眠分期过于粗糙无法准确反映睡眠深度。研究人员开展 “Continuous sleep depth index annotation with deep learning yields novel digital biomarkers for sleep health” 的研究，利用深度学习标注睡眠深度指数（SDI），发现 SDI 与唤醒时长相关，还能识别睡眠亚型，对睡眠医学意义重大。
睡眠，如同生命的 “修复师”，在我们的生活中占据着举足轻重的地位。良好的睡眠不仅能让我们在第二天精神饱满，更与我们的身体健康息息相关。然而，睡眠问题却如同隐藏在暗处的 “敌人”，悄然威胁着人们的健康。据统计，睡眠障碍在人群中的发病率不断上升，像睡眠碎片化、阻塞性睡眠呼吸暂停（OSA）等问题日益普遍。这些睡眠问题不仅会影响人们的日常生活，还与多种疾病的发生发展紧密相连，如心血管疾病、糖尿病等。
在睡眠医学领域，多导睡眠图（PSG）睡眠分期一直是揭示睡眠结构、辅助疾病诊断的重要手段。根据美国睡眠医学学会（AASM）的指南，睡眠和清醒状态被分为五个阶段：清醒（W）、快速眼动（REM）、非快速眼动第 1 阶段（N1）、非快速眼动第 2 阶段（N2）和非快速眼动第 3 阶段（N3），每个阶段以 30 秒为单位进行划分。但是，传统的手动 PSG 评分不仅耗费大量人力，而且不同评分者之间的结果差异较大。此外，现有的睡眠分期过于粗糙，无法准确反映睡眠深度的细微变化，因为同一睡眠阶段内的睡眠结构实际上存在着诸多差异。
为了解决这些问题，来自北京大学等机构的研究人员开展了一项具有创新性的研究。他们提出了一种基于深度学习的方法，利用现有的离散睡眠分期标签对连续睡眠深度指数（SDI）进行标注。研究人员使用了来自四个大规模队列的超过 10,000 份 PSG 记录，通过精心设计的模型和算法，成功实现了从离散睡眠阶段到连续睡眠深度指数的转换，该指数取值范围为 0 到 1，数值越大表示睡眠越深。
这项研究的意义重大。首先，它为睡眠医学提供了一种更精确、更全面的睡眠评估指标 ——SDI。SDI 能够捕捉到传统睡眠分期所忽略的睡眠结构细微变化，为医生和研究人员提供了一个全新的视角来理解睡眠。其次，通过对 SDI 的分析，研究人员发现了与睡眠健康相关的新型数字生物标志物。这些生物标志物可以用于识别不同的睡眠亚型，其中睡眠紊乱亚型与多种不良健康状况密切相关，如高血压、睡眠呼吸暂停等，还与全因死亡率和致命冠心病的风险增加有关。这一发现有助于医生更早地发现睡眠问题，采取针对性的干预措施，预防相关疾病的发生。此外，研究人员还开发了一个易于使用的网络应用程序，可对 PSG 数据进行自动 SDI 标注，为临床实践和研究提供了便利。
在研究方法上，研究人员主要采用了以下关键技术：
- 数据处理：从四个大规模队列（睡眠心脏健康研究（SHHS）、克利夫兰家庭研究（CFS）、多民族动脉粥样硬化研究（MESA）和男性骨质疏松性骨折睡眠研究（MrOS））获取数据，利用 MNE 库提取 PSG 信号并进行预处理，包括重采样、分段等操作。
- 模型构建：基于 Transformer 结构构建深度学习模型，输入 PSG 信号的多个通道数据，经过一系列处理后，分别预测睡眠深度和 REM 阶段。
- 损失函数设计：设计了 pairwise ranking loss 来学习不同睡眠阶段之间的顺序关系，同时使用交叉熵损失进行 REM 阶段的分类，最终通过联合损失函数对模型进行训练。
- 特征提取与聚类：从全夜睡眠深度指数中提取时域和非线性特征作为数字生物标志物，利用高斯混合模型对这些生物标志物进行聚类，得到正常睡眠亚型和紊乱睡眠亚型。
研究结果如下：
- 睡眠深度指数的分布与一致性：不同睡眠阶段的 SDI 分布不同，W 阶段的 SDI 大多低于 0.1，N3 阶段的 SDI 通常最高。SDI 与传统睡眠分期结果具有良好的一致性，Spearman 等级相关系数均超过 0.85。同时，REM 分类的表现良好，微平均 AUROC 达到 0.978，证明了模型在不同数据集上的稳健性。
- 睡眠深度指数对细微睡眠结构的捕捉：通过案例研究发现，SDI 能够捕捉到传统睡眠分期无法发现的细微睡眠结构差异。例如，在同一 N2 阶段的不同 30 秒时间段内，SDI 可以反映出不同的睡眠状态，包括高频 EEG、低 EMG 振幅等特征。
- 睡眠深度指数与唤醒时长的相关性：研究表明，睡眠深度指数的下降与下一个 30 秒内唤醒时长的增加密切相关，Pearson 相关系数均大于 0.99。这表明 SDI 可以作为监测睡眠干扰的有效指标。
- 基于数字生物标志物的睡眠亚型聚类：通过对数字生物标志物的聚类分析，得到了正常睡眠亚型和紊乱睡眠亚型。与正常睡眠亚型相比，紊乱睡眠亚型的参与者年龄更大、BMI 更高，睡眠效率更低，且与多种不良健康状况的发生率增加相关，如睡眠呼吸暂停、主观睡眠质量差、失眠、高血压等。在 SHHS 队列中，紊乱睡眠亚型的参与者全因死亡率增加 33%，致命冠心病风险增加 38%。
研究结论和讨论部分指出，该研究开发并验证了一种基于深度学习的睡眠深度指数标注方法，SDI 为睡眠结构提供了更细致的描述，反映了睡眠状态的复杂转变。同时，基于 SDI 的数字生物标志物有助于识别不同的睡眠亚型，为临床实践和疾病预防提供了有价值的信息。然而，该研究也存在一些局限性，如依赖四个 PSG 通道数据，未来研究可探索减少通道数量的可行性；目前模型仅使用了单通道数据，考虑增加通道或纳入呼吸信号可能会进一步提升性能；此外，还可在更大数据集上测试模型的可扩展性，并尝试提高标注分辨率。总体而言，这项研究为睡眠医学领域开辟了新的研究方向，有望推动人工智能在睡眠深度评估和相关疾病预防中的应用，为改善人们的睡眠健康提供更有力的支持。
