AISleep：基于单通道脑电的无监督睡眠分期算法——实现精准家庭睡眠监测的新突破

本研究针对传统人工睡眠分期耗时费力、现有自动算法泛化性不足的问题，开发了基于特征加权核密度估计（KDE）的无监督睡眠分期算法AISleep。通过分析γ波功率、个性化纺锤波功率（Psp）、慢波振荡（SO）百分比等关键EEG特征，该算法在健康人群（SleepEDF-78数据集）和睡眠障碍患者（NJ-EDF数据集）中分别达到76.1%和66.0%的准确率，优于现有监督/无监督方法。其轻量化设计为便携式设备实现家庭睡眠监测提供了可靠解决方案，同时揭示了年龄相关的EEG特征衰减规律。

　　

睡眠占据人类生命的三分之一，其质量直接影响认知功能、代谢健康等生理过程。传统基于多导睡眠图（PSG）的人工分期需要专家耗时2小时/晚，而现有深度学习算法存在数据需求大、跨数据集泛化性差等局限。更棘手的是，不同专家间分期一致性仅80-90%，且老年人群和睡眠障碍患者的EEG特征会发生显著变化，这些因素都阻碍了睡眠监测技术的普及应用。

为突破这些瓶颈，Xun Mai等研究者开发了AISleep算法。该研究创新性地采用无监督学习框架，仅需单通道EEG信号即可实现精准分期。通过分析153例健康人和42例患者的睡眠数据，发现算法性能衰减与年龄相关的纺锤波功率下降、慢波振荡减少等生理变化密切相关。这项发表于《Patterns》的研究，为家庭场景下的睡眠健康监测提供了新范式。

关键技术包括：（1）采用不规则重采样自谱分析（IRASA）分解功率谱的振荡成分；（2）基于UMAP将0.2-30Hz频段的PSD降至二维空间；（3）通过特征加权KDE识别各睡眠期特征：γ功率（清醒睁眼期）、个性化纺锤波功率（N2N3期）、SO百分比（N3期）和振荡强度标准差（清醒闭眼期）；（4）使用SleepEDF和NJ-EDF两个数据集进行跨域验证。

研究结果揭示多个重要发现：

1. 1.

   睁眼清醒期识别：通过γ波（25-50Hz）功率的双峰分布（图1），结合Otsu算法自动划分阈值，该状态γ功率显著高于其他期（p<2.46×10^-99）。

2. 2.

   N2N3期特征：采用IRASA分解PSD后，在12-16Hz范围内定义的个性化纺锤波功率（P_sp）呈现双峰分布（图3）。N2N3期的P_sp显著高于其他期（p=7.39×10^-27），且随年龄增长差异减小（R²=0.581）。

1. 3.

   N3期判定：基于慢波振荡（0.5-2.0Hz）持续时间占比（图2），该指标在N3期显著增高（p=1.78×10^-25），但老年组SO活动明显减弱（R²=0.191）。

2. 4.

   闭眼清醒期：通过5-20Hz振荡成分的标准差（Std_osc）识别，其α波功率显著高于睁眼期（p=4.78×10^-20），约10%受试者缺乏闭眼α节律。

3. 5.

   算法比较：在SleepEDF-20数据集上，AISleep准确率（82.0±5.4%）显著优于k-means（73.5±4.1%，p=0.0089）和GMM。跨域测试显示，其在健康人群的准确率（76.1%）比最佳监督模型YASA高5.5%，在患者群体（66.0%）仍保持最优。

讨论部分指出三个关键创新：（1）首次将UMAP与特征加权KDE结合，通过PSD_UMAP可视化展示睡眠期连续过渡特征（图6D）；（2）揭示老年人群分期困难的根本原因——纺锤波功率和SO活动随年龄衰减；（3）轻量化设计（单通道EEG）使算法可嵌入便携设备，相比需要15,660例训练数据的U-Sleep等模型更实用。

该研究的局限在于对严重睡眠障碍患者的分期准确率仍有提升空间，未来可通过整合眼电（EOG）信号进一步优化。但无论如何，AISleep已为无监督睡眠分期树立了新标杆，其技术框架也可拓展至其他生理信号分析领域，为居家医疗监测设备的发展提供了重要方法论支持。