基于功能性近红外光谱的睡眠分期研究：揭示前额叶血流动力学特征与睡眠深度的关联

针对传统多导睡眠监测(PSG)设备复杂、干扰睡眠等问题，研究人员创新性地采用功能性近红外光谱(fNIRS)技术，通过提取时域、频域和熵特征构建睡眠分期模型。研究发现前额叶血流动力学指标与睡眠深度显著相关，模型在2-4类分期中Cohen's κ达0.71-0.76，与PSG的睡眠统计差异小于5分钟。这项发表于《NeuroImage》的研究为便携式睡眠监测提供了新范式。

　　

睡眠占据人类生命的三分之一，其质量直接影响免疫功能、认知能力和疾病易感性。尽管多导睡眠监测(PSG)被视为睡眠评估的金标准，但复杂的电极布置和实验室环境限制其日常应用。近年来，功能性近红外光谱(fNIRS)因其便携性和高空间分辨率成为研究热点，但关于其睡眠分期特征的系统性研究仍属空白。

为突破这一技术瓶颈，国内研究机构的研究团队在《NeuroImage》发表了开创性研究。该团队通过同步采集37名健康青年志愿者的6通道前额叶fNIRS数据和标准PSG数据，首次从时域、频域和熵三个维度提取540种特征，构建了基于投票集成学习算法的睡眠分期模型。研究发现，随着睡眠深度增加（从W到N3阶段），时域特征振幅显著降低，而熵特征呈现相反趋势；在REM阶段两者均出现回升。模型在2类（清醒/睡眠）、3类（清醒/NREM/REM）和4类（清醒/N1+N2/N3/REM）分期中的Cohen's κ分别达到0.76±0.12、0.72±0.09和0.71±0.07，与PSG的睡眠统计参数差异小于3%。这项研究不仅建立了fNIRS睡眠分期的特征标准，更推动了可穿戴睡眠监测设备的临床转化。

关键技术方法包括：1) 使用Artinis PortaLite设备采集6通道前额叶fNIRS信号（HbO₂、HHb、tHb）；2) 通过Homer2工具包进行运动伪迹去除和0.5Hz低通滤波；3) 提取时域（17种）、频域（5种）和熵（8种）特征；4) 采用支持向量机(SVM)、极限梯度提升(XGB)和随机森林(RF)的投票集成模型；5) 以PSG专家标注结果为金标准进行验证。

【睡眠指标分析】

研究发现tHb信号比HbO₂/HHb具有更多敏感特征，其中峰峰值(P2PV)、整流平均值(RAV)和标准差(Std)等时域特征在N3阶段降至最低（较清醒状态降低42.7%），近似熵(ApEn)和样本熵(SpEn)则升高58.3%。频域特征未显示显著差异，可能与fNIRS信号有限带宽（0.03-0.1Hz）有关。

【睡眠分期性能】

四分类模型中N2识别精度最高（90.56%），但N1易被误判为N2（65.03%）。三分类和两分类的ROC曲线下面积(AUROC)均超过90%，其中清醒状态特异性达98.2%。个体案例显示fNIRS预测与PSG的Spearman相关系数达0.87。

【睡眠统计比较】

fNIRS与PSG在睡眠潜伏期(SOL)、觉醒后清醒时间(WASO)等参数的差异均<5分钟，睡眠效率(SE)差异<3%。但N3和REM期存在低估（分别-13.2和-15.4分钟），可能与深睡眠期脑区活动异质性有关。

这项研究首次系统论证了fNIRS用于全夜睡眠分期的可行性，其创新性体现在：1) 发现熵特征与睡眠深度的正相关性，突破了传统血流动力学分析框架；2) 证实tHb信号比单一血红蛋白指标更稳定；3) 构建的模型在保持便携性前提下达到临床可接受的精度。尽管在N1分期和深睡眠时长估算上仍有改进空间，但为居家睡眠监测、特殊职业状态评估提供了新工具。未来研究需扩大样本覆盖不同年龄层和睡眠障碍患者，并探索全脑网络特征以进一步提升分期精度。