基于可穿戴反射式光电容积描记技术的长期睡眠分期研究

研究人员针对传统多导睡眠监测(PSG)成本高、操作繁琐且难以规模化的问题，创新性地利用智能手表采集的反射式光电容积描记信号(PPG)，开发了深度学习自动分期模型。该模型在68例夜间监测中达到78.7%的4分类准确率（觉醒、N1+N2、N3、REM期），睡眠/觉醒判断准确率达94.1%；在493例24小时长期监测中，相较体动记录仪模型获得92.5%的睡眠/觉醒准确率，为家庭化持续睡眠监测提供了突破性解决方案。

　　

传统睡眠监测的金标准——多导睡眠图(Polysomnography, PSG)需要贴满电极的"章鱼式"操作，让受试者苦不堪言。这项研究另辟蹊径，让受试者只需佩戴智能手表，通过反射式光电容积描记技术(Photoplethysmography, PPG)就能捕捉微妙的血流波动信号。

研究团队训练的深度学习模型展现出惊人的泛化能力：在68例夜间监测中，不仅将N1和N2期合并后达到78.7%的四分类准确率，更在睡眠/觉醒判断上斩获94.1%的佳绩（Cohen's κ=0.71）。更令人振奋的是，面对493例持续24小时的马拉松式监测数据，模型与顶尖体动记录仪算法的对决中，以92.5%的准确率(κ=0.80)胜出。

这项突破意味着，未来人们戴着智能手表睡觉时，设备不仅能准确判断是否入睡，还能精细区分浅睡眠(N1+N2)、深睡眠(N3)和快速眼动(REM)期。这种"无感监测"技术为睡眠障碍筛查、心血管疾病管理等领域开辟了新航道，让长期居家睡眠监测真正照进现实。