基于单通道EEG的深度学习模型实现大鼠睡眠分期自动化：一种高精度、高通量的研究方法

本研究针对啮齿类动物睡眠研究中人工标注效率低、一致性差的问题，开发了基于卷积神经网络(CNN)和长短期记忆网络(LSTM)的深度学习工具。研究人员利用16只大鼠的700小时单通道脑电图(EEG)数据，实现了REM/NREM/觉醒三阶段的自动分类，平均F1值达87.6%。该模型成功预测了睡眠结构参数（包括发作持续时间、发作次数等），为睡眠障碍机制研究和药物评估提供了高效分析工具。

　　

在睡眠研究领域，准确区分快速眼动睡眠(REM)、非快速眼动睡眠(NREM)和觉醒状态是理解睡眠质量与神经疾病关联的关键。然而传统依赖专家人工标注多导睡眠图(PSG)的方法存在耗时费力、评分者间差异大等瓶颈，尤其对啮齿类动物研究而言，植入式发射器采集的单通道EEG数据更增加了分析难度。

南卡罗来纳大学（University of South Carolina）的研究团队在《NPP—Digital Psychiatry and Neuroscience》发表的研究中，开发了基于深度学习的自动化解决方案。该研究创新性地结合了残差神经网络(RegNet)和LSTM，仅需单通道EEG输入即可实现90秒时间窗内的三阶段分类，其性能超越现有算法（SPINDLE数据集F1值89.6% vs 88.1%），并首次验证了模型对睡眠结构参数的预测准确性。

关键技术方法包括：1) 采集16只Wistar大鼠48小时单通道EEG数据（采样率500Hz）；2) 采用9×10秒序列输入的CNN-LSTM混合架构；3) 16折交叉验证评估模型性能；4) 通过SleepyRat数据集（14只大鼠）验证睡眠结构参数预测能力。

【模型性能】

通过16折交叉验证显示，模型对NREM和觉醒状态的识别准确率均超91%，REM识别率达81.1%。t-SNE降维可视化证实模型能有效分离不同睡眠阶段的EEG特征，但REM与觉醒状态存在部分重叠，这与生理信号相似性一致。

【跨数据集验证】

在SPINDLE数据集（22只啮齿动物）测试中，模型将10秒预测上采样至4秒分辨率后仍保持优势，尤其对REM的识别F1值提升4.2%（83.6% vs 79.4%）。线性回归证实模型预测的睡眠阶段占比与人工标注高度一致（R²>0.9）。

【睡眠结构分析】

在SleepyRat数据集验证中，模型预测的NREM/REM发作次数、平均持续时间等参数与专家评分无显著差异（P>0.05），且均能检测到光照周期ZT0-1时段因实验操作引起的REM抑制现象（P<0.0001）。

这项研究的意义在于：1) 首次实现单通道EEG端到端的啮齿类睡眠分期，避免传统多信号依赖；2) 开源700小时标注数据集和算法代码；3) 证实模型可替代人工分析睡眠结构参数。该工具将显著加速睡眠障碍机制研究和精神药物评估进程，特别适用于植入式发射器采集的有限通道数据场景。未来研究可探索模型在病理状态（如睡眠剥夺、神经退行性疾病）下的泛化能力。