基于SOM-CPC的无监督学习模型在睡眠多导图数据分析与NREM异态睡眠觉醒模式识别中的应用

本研究针对传统睡眠分期方法存在的信息丢失和专家间分歧问题，开发了结合对比预测编码(CPC)与自组织映射(SOM)的SOM-CPC无监督学习模型。通过分析健康人群(n=74)和NREM异态睡眠患者(n=67)的多导睡眠图(PSG)数据，发现该模型不仅能区分睡眠阶段，还能捕捉年龄、夜间时间等潜在特征，并首次揭示了伴/不伴行为异常的慢波睡眠(SWS)觉醒在脑电信号层面的动态差异，为睡眠障碍机制研究提供了新工具。

　　

睡眠作为生命的基本生理过程，其精细解析一直是神经科学领域的重大挑战。尽管多导睡眠图(PSG)能记录脑电(EEG)、眼电(EOG)和肌电(EMG)等丰富信号，但临床通用的5阶段睡眠分期法存在明显局限：不仅存在高达30%的专家间判读差异，更会丢失如REM睡眠中"相位性/紧张性"亚型等关键信息。传统特征工程方法依赖人工设计频带比值，难以捕捉多通道信号的复杂关联。这种"信息瓶颈"严重阻碍了对非快速眼动(NREM)异态睡眠等特殊障碍的机制解析——这类患者常出现慢波睡眠(SWS)中伴随异常行为的觉醒，但其脑电动态特征尚未明确。

荷兰埃因霍温理工大学(Eindhoven University of Technology)的Huijben等创新性地将深度学习与经典聚类方法结合，提出SOM-CPC模型。该模型通过对比预测编码(CPC)自动提取30秒多通道PSG片段的特征，再利用自组织映射(SOM)将其可视化在二维平面，相似特征的片段会自然聚集成簇。研究人员首先在74名健康受试者(来自Healthbed和MASS-S3数据库)验证模型性能，随后聚焦67例NREM异态睡眠患者的SWS觉醒事件分析。相关成果发表于《Journal of Neuroscience Methods》。

关键技术包括：1) 采用CPC框架处理原始EEG/EOG/EMG信号，通过时间序列预测任务自动学习特征表示；2) 使用SOM对特征进行二维降维聚类，形成可解释的"睡眠地图"；3) 针对5秒单通道EEG窗口开发专用分析流程，捕捉SWS觉醒前后的微状态变化；4) 通过计算簇间转移概率量化睡眠阶段过渡特性。

健康睡眠分析

模型生成的二维图谱呈现出清晰的睡眠阶段分离，Wake、REM和NREM各期形成特征性簇群。值得注意的是，同一睡眠阶段内还显示出与受试者年龄、夜间时间相关的亚结构，证实模型能捕捉传统分期忽略的生理信息。在MASS-S3队列中，SOM-CPC特征预测年龄的准确性显著高于基于30秒分期的特征。

NREM异态睡眠觉醒

比较伴有异常行为(如梦游)与单纯SWS觉醒事件发现：行为性觉醒前会出现更高强度的SWS特异性脑电活动(OR=2.3, p<0.01)，觉醒后则呈现更显著的Wake特征(β=0.67)，且平均持续时间延长42秒。这些发现为临床区分生理性/病理性觉醒提供了客观指标。

方法学比较

相较于传统频带比值分析法(如Imbach等2012年方法)，SOM-CPC在保持二维可视化优势的同时，实现了多通道信号整合，且无需依赖专家预设特征。与Decat等(2022)的千维特征聚类相比，本方法通过端到端训练获得更紧凑的特征表示。

这项研究开创性地证明：无监督学习能突破传统睡眠分期的信息压缩局限，揭示脑电信号的连续动态变化。特别在NREM异态睡眠领域，首次从信号层面证实行为性觉醒具有独特的"前高SWS-后强Wake"双相模式，这为理解意识切换障碍的神经机制提供了新视角。未来或可基于此开发自动化的睡眠微结构分析工具，推动个性化睡眠医学发展。模型开源代码已发布在GitHub平台供学术界使用。