开源深度学习网络OpenSpindleNet：实现头皮与颅内脑电图中睡眠纺锤波的精准检测

这篇研究推荐一款开源深度学习模型OpenSpindleNet，其采用双头架构设计，在头皮EEG和颅内EEG（iEEG）中实现了睡眠纺锤波（sleep spindle）的高精度自动检测（F1分数达0.67-0.69）。该模型在DREAMS公开数据集和Mayo Clinic专有iEEG数据上均超越SUMO、A7等现有算法，为研究睡眠纺锤波在记忆巩固（memory consolidation）和神经疾病（如癫痫、精神分裂症）中的机制提供了新工具。

　　

Highlight

睡眠纺锤波（sleep spindle）是发生在非快速眼动（NREM）睡眠阶段的11-16 Hz振荡脑电活动，其独特的纺锤形态（waxing-and-waning pattern）对记忆巩固和认知功能至关重要。然而，传统人工标注方法耗时且主观性强，而现有算法多基于头皮EEG开发，难以适应颅内EEG（iEEG）的高幅值、局部化特性。

Related Work

当前主流检测方法如A7算法（基于C3-A2通道的机器学习）和YASA（阈值法）均针对头皮EEG设计。SUMO虽整合多特征，但未考虑iEEG信号的空间特异性——例如iEEG记录的纺锤波常局限于特定脑区，且频率拓扑分布（如额叶慢纺锤波vs.中央顶叶快纺锤波）更显著。

Datasets

研究使用公开DREAMS头皮EEG数据集和Mayo Clinic专有iEEG数据集（需符合FDA-IRB伦理审批）。iEEG数据来自癫痫患者植入式设备，可捕捉皮层下结构的神经活动，但受隐私限制仅开源模型代码。

Results

双头架构模型在iEEG测试集F1达0.67，显著优于传统方法。可视化显示其能准确识别iEEG中高幅值（>100μV）的局部纺锤波，而头皮EEG模型易遗漏此类事件。

Conclusion

OpenSpindleNet首次实现iEEG纺锤波的鲁棒检测，其开源特性（MIT许可证）将推动睡眠研究标准化。未来可探索纺锤波参数与神经退行性疾病（如阿尔茨海默病）的关联。