基于脑电图的无监督学习揭示一种伴随睡眠状态误判及相关脑健康与心理健康风险的失眠亚型

《Results in Engineering》:EEG-based unsupervised learning uncovers an insomnia subtype with sleep-state misperception and associated brain and mental health risks

【字体: 大 中 小 】 时间:2026年05月26日 来源:Results in Engineering 7.9

编辑推荐:

  睡眠状态误判型失眠(insomnia with sleep-state misperception, SSM)定义为主观睡眠抱怨与客观多导睡眠监测(polysomnography, PSG)结果之间存在不匹配,尽管其临床负担显著,但仍缺乏清晰的神经生理学解释。

  
睡眠状态误判型失眠(insomnia with sleep-state misperception, SSM)定义为主观睡眠抱怨与客观多导睡眠监测(polysomnography, PSG)结果之间存在不匹配,尽管其临床负担显著,但仍缺乏清晰的神经生理学解释。研究人员采用一种无监督自编码器(autoencoder)方法,提取脑电图(electroencephalography, EEG)潜在微结构特征,并在多个数据集中识别出两种可重复的失眠亚型:以宏观结构异常为特征的客观睡眠中断(objective sleep disruption, OSD)表型,以及表现为近乎正常多导睡眠监测结果的SSM表型。SSM个体在N3期睡眠早期表现出δ活动降低和α活动升高,提示深睡眠变浅以及α侵入。上述微结构改变与具有临床意义的结局密切相关,包括脑衰老加速、注意功能和视觉记忆受损以及抑郁症状升高。仅基于主观—客观差异的传统SSM分类未能观察到这些病理生理异常及其临床后果。由于消费级可穿戴设备仅量化睡眠宏观结构指标,因此会忽略这些具有临床意义的EEG特征。将基于微结构的分析整合入便携式睡眠技术,可能有助于更早识别采用标准方法仍无法检测的高风险失眠表型。
该研究发表于《Results in Engineering》,围绕失眠异质性中一个长期难以清晰界定的临床表型——睡眠状态误判型失眠(sleep-state misperception, SSM)展开。失眠是常见睡眠障碍,全球成年人患病率较高,但其临床表现具有显著异质性,不同患者在入睡困难、睡眠维持困难、睡眠时长、共病状态及日间功能损害等方面差异明显。这种异质性限制了统一诊疗框架的有效性,也推动了基于精准医学(precision medicine)理念的失眠分型研究。SSM长期以来主要依据患者主观报告与多导睡眠监测(polysomnography, PSG)客观结果不一致来界定,典型特征是患者主诉睡眠很差,但常规PSG宏观结构参数如总睡眠时间、睡眠分期比例等却接近正常。然而,既往SSM定义多依赖固定阈值以及主客观差值,容易忽视潜在神经生理异质性,因而对于其病理基础及临床风险的识别能力有限。此前虽有研究提示此类患者存在慢波活动减弱及高频活动增强,但大多仍局限于预设频谱特征或传统差值指标,尚未从整夜睡眠EEG时频信息中无监督地提炼出稳定、可外部验证的SSM对应亚型。因此,开展本研究的必要性在于:从睡眠EEG微结构层面重新刻画失眠亚型,解释为何部分患者虽PSG近似正常,却仍存在明显症状负担与脑健康风险。

研究人员据此构建了一个基于卷积自编码器(convolutional autoencoder)与k均值聚类(k-means clustering)的无监督学习流程,对整夜EEG时频谱图(scalogram)进行表征学习与亚型发现。研究目标包括:识别是否存在与SSM相对应的数据驱动失眠亚型;检验该亚型是否在PSG宏观结构保留的同时存在N3期微结构异常;并考察其是否与日间嗜睡、抑郁症状、认知表现及脑龄指数(brain age index, BAI)异常相关。结果显示,模型稳定识别出两种可重复失眠亚型:一种为客观睡眠中断型(OSD),表现为总睡眠时间缩短、N3比例下降、睡眠效率降低等宏观睡眠损害;另一种为SSM亚型,其PSG宏观结构与健康睡眠者(healthy sleepers, HS)相近,但在N3期尤其夜间前四分之一阶段,表现出δ功率降低与α功率升高,提示深睡眠深度不足及α侵入。更重要的是,该SSM亚型虽缺乏传统PSG异常,却呈现更高的EEG脑龄、抑郁症状、日间嗜睡,并在较小样本中表现出注意和视觉记忆等认知脆弱性。与13种传统SSM定义相比,只有这种基于EEG微结构的分型方法能一致识别出上述神经生理与临床负担。因此,研究提示:SSM并非单纯知觉偏差,而可能是一种伴随N3微结构完整性受损的生理性失眠表型;睡眠微结构比单纯宏观结构更能揭示其脑健康与心理健康风险。

本研究的主要技术方法包括以下几项:首先,纳入Samsung Medical Center, Seoul, South Korea 2015—2019年采集的5,282例PSG记录,筛选后并经倾向评分匹配(propensity score matching, PSM)形成主要分析队列;另以MESA Sleep Study与MrOS Visit 2构成外部验证队列。其次,对F4导联为主的整夜睡眠EEG进行预处理,并以连续小波变换(continuous wavelet transform)生成二维时频谱图。再次,利用卷积自编码器将2000×16的谱图压缩为1×100潜变量,再对失眠患者进行k均值聚类,并以自举(bootstrap)Jaccard稳定性选择最优聚类数。最后,结合频带功率分析、EEG-BAI、MRI-BAI、首尔神经心理筛查电池(Seoul Neuropsychological Screening Battery, SNSB)及抑郁、嗜睡量表,系统比较不同亚型的神经生理、认知及心理结局。

在研究结果部分,论文首先在“Demographics and clinical characteristics”中说明,主训练队列经筛选与匹配后,纳入682例HS与682例失眠患者,两组年龄、体重指数(body mass index, BMI)及呼吸暂停低通气指数(apnea-hypopnea index, AHI)平衡。相较HS,失眠组在抑郁、主观睡眠质量、日间嗜睡、失眠严重度等主观指标上更差,且表现为更长入睡潜伏期、更低总睡眠时间、更差睡眠效率、更少N3睡眠以及更明显的主客观睡眠不一致。这一部分奠定了整体样本中失眠表型的临床与睡眠学特征基础。

在“Determination of two subtypes”中,研究人员报告无监督框架获得稳定的双亚型解。卷积自编码器对EEG谱图重建性能良好,聚类稳定性分析在k=2时Jaccard指数最高且超过预设阈值,支持将失眠分为两个神经生理亚型。进一步的单通道F4与双额区F3+F4模型一致性分析显示较高的调整兰德指数(Adjusted Rand Index, ARI)、标准化互信息(Normalized Mutual Information, NMI)和Cohen’s κ,说明额区最小通道方案具有较好稳健性。

在“Characteristics of identified subtypes”中,研究人员明确了两个亚型的临床含义。Subtype 1在PSG参数上与HS基本无差异,故被定义为SSM;Subtype 2则表现出总睡眠时间更短、N3比例更低、睡眠效率更差,因此被定义为OSD。尽管SSM在宏观睡眠结构上接近正常,但其主观睡眠感知并未改善:与OSD一样,SSM在失眠严重度、睡眠质量、主客观总睡眠时间差值、主观入睡潜伏期等方面均显著差于HS。这说明SSM的异常并不体现在常规PSG宏观指标,而主要体现在主观体验及后续发现的微结构层面。外部验证队列中同样观察到SSM较OSD具有更长总睡眠时间、更高N3比例和更好睡眠效率,支持该亚型结构具备可迁移性。

在“Subtype comparison with EEG characteristics”中,研究揭示了SSM最关键的神经生理特征。尽管SSM与HS在N3睡眠时长比例上无显著差异,但其N3期相对δ功率显著下降,而相对α功率显著升高,提示深睡眠深度不足及微觉醒相关α侵入。按整夜睡眠分为4个四分位(Q1–Q4)后,SSM的δ功率下降和α功率升高主要集中于Q1,即夜间最初阶段、慢波活动通常最强的时段。尤其是Q1中,SSM的δ功率甚至低于OSD,而α功率则呈SSM > OSD > HS的顺序。该结果说明,SSM并非“看起来正常”的睡眠,而是在最具恢复意义的早期N3阶段存在深层神经振荡异常,这为其主观睡眠不良提供了生理学解释。

在“Subtypes comparison with brain, cognitive, mental, and sleep health outcomes”中,研究人员进一步证明这些微结构异常具有临床关联。两种失眠亚型的EEG-BAI均高于HS,提示相对脑衰老加速;在MRI-BAI中,两亚型在语言相关脑区也高于HS。认知方面,SSM在注意、视觉记忆方面均差于HS和OSD,在言语记忆方面也低于HS,而OSD与HS之间未见显著认知差异。心理与日间功能方面,两种失眠亚型均较HS具有更高抑郁评分(Beck Depression Inventory, BDI)和更高日间嗜睡评分(Stanford Sleepiness Scale, SSS)。此外,在合并HS与SSM的分析中,N3期相对δ功率与EEG-BAI及BDI显著相关,支持睡眠深度下降与脑健康及情绪负担之间的联系。作者同时指出,由于MRI与认知分析基于较小匹配子样本,这部分结果更适合作为探索性与假设生成性证据。

在“Comparison between the SSM subtype identified using the proposed data-driven approach and those using conventional diagnostic methods”中,论文对比了本研究方法与13种传统SSM定义。结果表明,仅有基于聚类的微结构分型能够同时识别出SSM相较HS具有更高EEG-BAI、BDI和SSS;传统依赖主观—客观差异阈值的定义并不能稳定捕捉这些异常,部分方法甚至得出相反方向的脑龄结果。与此同时,多数传统方法也未能识别N3期α、δ功率的关键差异,尤其无法捕捉研究所强调的夜间早期异常。该部分结果强调,传统SSM分类可能将真正具有神经生理异常的个体与仅满足阈值标准但缺乏病理基础者混杂,从而削弱与脑健康、心理健康结局的关联;而微结构驱动分型具有更高的病理生理一致性。

讨论部分总体指出,本研究通过无监督学习证明,失眠中确实存在一个与SSM相对应、且可重复验证的EEG微结构亚型。该亚型在PSG宏观结构上近似正常,但N3期尤其早期深睡眠阶段存在δ降低和α升高,表明深睡眠浅化与α侵入。这一发现为长期被视为“知觉偏差”或“心理现象”的SSM提供了神经生理学基础,也解释了为何此类患者尽管常规PSG近似正常,仍然呈现明显的睡眠不满意、抑郁、嗜睡及认知脆弱性。研究还指出,与传统以阈值为核心的SSM定义相比,微结构分型更能对应脑健康与心理健康负担,更有望用于更精细的失眠表型学研究。与此同时,作者谨慎强调研究局限,包括单中心回顾性横断面设计、亚型分布不均衡、外部验证中问卷工具不一致、MRI和认知子样本较小,以及当前消费级可穿戴设备尚无法直接采集所需微结构EEG信号等。因此,该框架的临床转化仍需更大规模、多中心、前瞻性研究验证。

研究结论部分可译为:本研究提出了一种基于自编码器的睡眠EEG微结构数据驱动框架,用于失眠亚型分类。该模型识别出一种独特的SSM亚型,其特征为N3期δ功率降低和α活动升高,提示在多导睡眠监测结构正常的情况下仍存在α侵入与浅N3睡眠。重要的是,与健康睡眠者相比,数据驱动定义的SSM组表现出显著更高的基于EEG的脑龄指数、抑郁症状和日间嗜睡,而13种传统基于PSG的SSM定义均未在这些结局上显示一致关联。此外,N3期δ功率与EEG-BAI和BDI显著相关,进一步强调了睡眠微结构与脑健康及心理健康指标之间的关联。这些发现为理解失眠异质性提供了新见解,并强调在认识SSM相关脑健康与心理健康后果时,N3微结构而非仅仅宏观结构具有关键意义。该无监督学习模型可为未来具备EEG功能的便携式可穿戴技术开发提供依据,并有望最终支持传统PSG之外的真实世界评估。研究局限包括横断面设计、队列异质性以及当前可穿戴设备尚无法直接捕捉睡眠微结构。未来研究将聚焦于寻找适用于临床的实用亚型区分标志物,并在更广泛、更多样化的人群中验证该框架,以增强其常规临床应用价值。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号