导读

基于电生理信号(EEG，EOG和EMG)对睡眠阶段进行识别的建议源自Rechtschaffen和Kales手册，由美国睡眠医学学会于2007年发布，并定期更新多年。这些建议对于评估不同类型的睡眠/觉醒主观评定中的客观标志物非常重要。凭借研究的简单、可重复性和标准化的目标和优势，尤其是在睡眠医学中，他们描述睡眠的方式总体上变化不大。然而，我们对睡眠/觉醒生理学和睡眠障碍的认识自那时起在不断发展。高密度脑电图和颅内脑电图研究突显了睡眠机制的局部调节，在警觉状态下存在时空异质性。对睡眠障碍的深入了解使得能够确定与临床症状和结局更相关的电生理生物标志物，而不仅仅是标准的睡眠参数。最后，睡眠医学的巨大发展(需求远超供给)，导致了替代研究的发展，这些研究可以基于少量的电生理信号及其自动分析在家中进行。本文旨在考察我们对睡眠的描述是如何构建、发展的，并且可能随着睡眠生理学知识的进步以及技术记录和分析工具的发展而重塑。在阐述了睡眠分期的优势和局限性之后，本文建议通过讨论睡眠阶段识别所需的生理信号来挑战“EEG-EOG-EMG”范式，概述了新的工具和自动分析方法，并提出了开发描述和理解睡眠/觉醒状态新方法的途径。

从生理学到睡眠阶段--历史视角

自1929年Hans Berger首次对人类进行EEG记录以来，生理学家和睡眠医生识别与觉醒-睡眠相关的EEG变化的方式已经发生了很大变化。直到1968年，人们才根据科学团队和睡眠生理学的突破(如Dement和Kleitman(1957)以及Jouvet(1959)对快速眼动(REM)睡眠的描述)，使用不同的规则来识别睡眠阶段。1968年，由Allan Rechtschaffen和Anthony Kales领导的睡眠研究小组成立，旨在就基于电生理学记录对睡眠分期的方法达成共识。当时，睡眠研究主要是关于健康和年轻受试者的生理学研究，旨在描述和理解睡眠机制。Rechtschaffen和Kales(R&K)睡眠分期手册被全球睡眠科学界采用。随着R&K规则在临床领域的应用和识别病理状况的需求，以及20世纪90年代脑电图记录的数字化革命，睡眠医学界开始要求修订这些规则。美国睡眠医学学会(AASM)组织了一个工作组，以调整原始R&K手册的一些标准并定义病理性睡眠事件。睡眠分期的建议于2007年发布，并在此后不断更新，特别是考虑到国际睡眠专家团体提出的一些批评，指出了一些标准的变化存在局限性。与此同时，对睡眠生理学和睡眠障碍的理解也在不断发展；虽然在某种程度上受到这些规则的影响，但这些知识也显示了它们在睡眠动态特性方面的局限性，睡眠的特征在短于30s的时间尺度上演变，并且受到睡眠周期、内稳态压力和年龄等各种因素的调节。此外，确定病理阈值并将睡眠分期提供的客观生物标志物与睡眠障碍相关的主观症状相关联仍然是一个挑战，尽管这对临床实践至关重要。因此，尽管AASM的建议仍然是全球睡眠分期的黄金标准，但科学界已经开始开发替代方法来描述睡眠，基于EEG或非EEG传感器，使用人工智能，并且在某些方面偏离了经典的睡眠分期。本文提供了有关睡眠分期的历史、生理和技术概述，讨论了知识进展可能带来的潜在变化，并考虑了限制此类变化的因素。本文首先介绍了当前程序在警觉状态评分方面的优势和局限性。接下来，将讨论睡眠分期所需的生理信号，并概述了新的工具和自动分析方法。然后，提出了发展新方法来描述和理解睡眠/觉醒状态。本文的目标是结合近年来生理学和方法学研究的进展，对产生当前睡眠分期规则的历史背景进行分析，以期更好地捕捉睡眠/觉醒生理学的复杂性和确定睡眠障碍的生物标志物。

睡眠分期的优缺点

睡眠分期的现行规定

根据AASM的建议，正确识别清醒、非快速眼动(NREM)睡眠、快速眼动睡眠和觉醒需要三种类型的电生理信号。记录这些信号需要至少三个头皮EEG电极，两个位于眼睛两侧的眼电图(EOG)电极和两个放置在颏上方和下方的颏肌电图(EMG)电极，以及位于颏下方的第三个备用电极。头皮EEG电极根据10-20国际系统放置在额叶(F3和/或F4)、中央(C3和/或C4)和枕叶(O1和/或O2)区域，并以双侧乳突电极为参考。也可以使用与参考通道C4-M1相关联的中线双极通道(Fz-Cz和Cz-Oz)。EOG也以参考蒙太奇进行记录，两个EOG电极都参考同侧乳突电极。只有颏EMG通道是双极通道。电生理记录以30s为周期。睡眠专家对每个记录时段进行评分，这些时段被称为“卧床时间(time in bed)”，定义为记录开始(关灯)至记录结束(灯亮)的时间。睡眠分期的一个基本原则是，如果一个时段超过50%(15s)具有警觉状态的电生理特征，则认为该时段属于某种警觉状态。如果一个时段有50%由枕区α活动(8-13Hz)组成，或者观察到与清醒相关的特定运动伪迹，如眨眼、与阅读活动相关的眼动或伴随高肌张力的快速眼动，则被认定为清醒状态。如果一个时段至少有50%为4-7Hz的低电压混合频率活动，取代患者产生α节律的α活动，则该时段为N1期。这种EEG活动可能与N1和N2期出现的缓慢眼动和/或顶部尖波有关。对于未产生α节律的人，N1期的第一个时段是由于：i）至少有50%的EEG频率在4-7Hz之间的θ频段，且背景EEG活动比清醒EEG背景活动减慢至少1Hz；ii）眼球运动缓慢；iii）尖波瞬变。通常在N1期之后，N2期的第一个时段划分为该时段前半期包含K复合波或睡眠纺锤波的时段。如果慢波在一个时段中出现的时间超过20%(6s)，则该时段被划分为N3期。慢波定义为频率在0.5-2Hz之间的波，在额区测量的正负峰-峰区间的波幅＞75uV，以对侧乳突电极为参考。最后，如果一个时段中有50%以上包含以下所有内容，则将其划分为R阶段(REM睡眠)：i）无睡眠纺锤波和K复合波的低电压混合频率EEG活动；ii）颏EMG信号最小，包括在快速眼动期间；iii）该时段的任何时刻都存在快速眼动。同一睡眠阶段的连续性或两个不同阶段之间的转换根据各种规则来定义，此处不做详细说明，这些规则考虑了觉醒或主要身体动作的影响。

睡眠分期，一种“通用语言”

睡眠分期是基于神经生理学发现构建的概念，可以追溯到上世纪上半叶。五十多年来，世界上所有的睡眠医生和研究人员都在使用这种分期，并且定期进行更新，最近一次更新是在2023年。然而，它在睡眠医学和其他研究领域的传播和广泛应用，以及作为“黄金标准”的地位已经超出了最初的目标。其成功的原因有很多方面：首先，与其他成像技术相比，EEG、EOG和EMG信号(相对)容易获得；尽管电极的放置仍然很耗时，但技术复杂度相对较低。其次，PSG记录准则的精确性使得全球范围内的实践标准化。第三，评分过程(相对)简单，具有易于参考的规则，在信号能够可视化以及可以通过用户友好的软件标记睡眠阶段/事件的情况下，无需复杂的分析系统。第四，它在诊断睡眠相关的呼吸障碍、运动障碍、睡眠异动症和嗜睡症等睡眠障碍方面具有临床实用性，不过需要注意的是，对于最常见的睡眠障碍(即失眠症)，标准多导睡眠图参数的效果仍然不太理想，这在一定程度上削弱了其临床相关性[Z1] 。第五，美国睡眠医学会(AASM)广为推荐，并将睡眠评分纳入年轻睡眠医生和研究人员的培训课程中。最后但同样重要的是，先前的R&K手册和当前的AASM建议具有提供共同语言的巨大优势。睡眠研究人员和睡眠医生使用相同的规则来进行睡眠分期，这有助于构建基于人类基础研究和睡眠障碍研究的全面桥梁。在啮齿类动物的基础研究中，对于睡眠分期的定义仍然未达成共识，这可能存在误差源，特别是在转换状态下，但也为未来的研究提供了途径。在人类的睡眠分期中，参考共同规则可以实现较好的评分者一致性，从而对睡眠进行准确描述。在最近的一项元分析中，Lee等人研究了自1968年R&K手册出版以来评估成人睡眠分期的所有文章。作者最终纳入了11项研究，并区分了整体睡眠分期的Cohen's k值(7项研究)和每个睡眠分期的Cohen's k值(4项研究)。整体睡眠分期的Cohen's k值为0.76[0.71-0.81]，显示评分者之间存在相当大的一致性。一个名为SIESTA数据库的欧洲项目专门研究了使用R&K规则和AASM规则进行整体睡眠分期时的评分者一致性。作者发现，与R&K规则相比，AASM规则的评分者一致性较高(Cohen's k值分别为0.68和0.76)，这是因为AASM建议中增加了额外的EEG通道。然而，当单独考虑每个睡眠分期时，评分者之间的一致性较低。在他们的元分析中，Lee等人发现W期和R期具有很好的一致性，N2和N3期有中等一致性，而N1期只有一般的一致性。N1期并不是一个稳定的睡眠期，它容易受到清醒和入睡之间的过渡以及觉醒的影响。Rosenberg和van Hout也发现N1期的评分者一致性最差。他们观察到在从清醒到N1期以及从N1到N2期之间的过渡阶段，评分者往往无法进行分期。另外，他们还报告评分者难以区分N2和N3期。这些问题凸显了人工评分的局限性，它无法完全消除解读的主观性，并且通过简化复杂现象，无法捕捉睡眠/清醒状态的多个方面。

睡眠分期在描述生理复杂性方面的局限性除了基于epoch评分方法的方法论限制外，睡眠过渡的评分困难也可能是由于睡眠生理本身造成的。睡眠分期是基于头皮EEG记录的长距离蒙太奇，它提供了非常全面的大脑活动图像，但无法记录到深层结构的脑电活动。使用颅内EEG记录来研究睡眠为睡眠/清醒的转换和不同脑区内睡眠的空间异质性提供了宝贵的信息。特别是，立体脑电图(SEEG)可以记录深部脑区域的脑电活动。SEEG记录仅用于药物难治性局灶性癫痫患者，当使用无创技术无法识别致痫灶时，它可以作为术前检查的一部分。使用SEEG记录的人类睡眠生理学研究表明，清醒与睡眠之间的过渡在大脑内是渐进且异步的。Sarasso等人表明，在睡眠开始时，海马区睡眠纺锤波可以在新皮质区域之前出现长达30分钟，这一结果目前已得到证实，并扩展到其他睡眠分期的转换过程中。丘脑和新皮质之间也表现出这种时空分离。除了入睡时刻外，SEEG研究还显示了整夜睡眠期间EEG睡眠/清醒模式在不同脑区之间存在区域性差异，并且在睡眠-清醒过渡期间也观察到这种差异。此外，特定的睡眠振荡也表现出区域特异性和差异性。有趣的是，在清醒的动物中也检测到了局部慢波活动，从而引出了“局部睡眠”的概念，这是一种被假设为导致人类注意力缺失的机制。除了仅限于药物难治性局灶性癫痫患者的颅内EEG记录外，具有比AASM建议的脑电蒙太奇更高空间分辨率的非侵入性记录可能有助于捕捉非癫痫患者睡眠的空间复杂性。这些类型的记录通常需要更多的传感器(例如高密度脑电图或脑磁图)，有时还需要结合MRI(以及EEG信号处理方面的专门技术)以提高空间分辨率。使用源定位或联合EEG-MEG记录等技术研究入睡过程中发生的局部和电生理变化，能够很好地揭示清醒与睡眠过渡期间出现的区域性变化。空间分析还可以帮助临床医生更好地解释多导睡眠图记录和分析睡眠障碍。使用高密度脑电图(hd-EEG)显示，健康受试者第一晚与第二晚PSG记录的EEG活动存在区域性差异，这表明第一晚的效应也会影响睡眠期间的脑区活动。研究微睡眠、睡眠惯性、失眠和觉醒障碍等活跃任务期间的区域性分析也从这些基于非侵入性记录的研究中受益，这些研究为更好地理解睡眠障碍的病理生理学提供了关键信息。所有这些研究都强调了脑区睡眠/清醒状态之间的异质性，以及睡眠/清醒状态之间的高弥漫性(图1)。

图1. 睡眠阶段内的异质性。

睡眠评分需要哪些信号？

基于EEG，EOG和EMG的警觉状态分类

警觉状态之间的波动以大多数身体功能的生理变化为特征，但传统上对清醒、NREM睡眠和REM睡眠的分类和识别仅依赖于三个参数：脑电图(EEG)、眼电图(EOG)和肌电图(EMG)。尽管这种分类方法被广泛使用，但在不同的临床和研究趋势的影响下，这种可能被证明是繁琐和简化的分类正日益受到质疑。在睡眠医学领域，随着对失眠、中枢性嗜睡障碍或睡眠呼吸暂停等睡眠障碍的深入了解，人们正在寻找与临床症状、预后相关性更好、诊断性能更高的生物标志物。在研究方面，越来越复杂的信号分析工具的发展允许从现有数据中提取更多的信息，而对警觉状态时空动力学的理解进展也突出了当前评分方法的局限性。这些标志物大多依赖于EEG高级分析，但也有一些关注其他信号，如心率变异性、血氧饱和度或呼吸信号。

因此，摆脱“EEG/EOG/EMG”范式的问题出现了，并提出了不同的问题：1）在进行睡眠分期时，我们是否需要所有三个参数(EEG/EOG/EMG)，而探索反映了调节警觉状态和控制大多数生理参数的EEG活动是否已经足够？2）如果仅利用EEG进行睡眠分期，那么需要多少个通道以及哪些通道？3）我们是否真的需要脑电图，或者是否可以考虑使用其他易于获得或提供有关睡眠补充信息的生理信号？

基于EEG的警觉状态分类

众所周知，脑电图所包含的信息远远超过了评分规则中使用的信息。然而，对这些信息的利用取决于评分者和记录特性(包括蒙太奇、采样率和滤波器的设置)。评分规则是针对电极数量较少(F4-M1、C4-M1、O2-M1)的特定蒙太奇设计的，并且某些特征的优先地形和特定振幅(例如慢波的75μV峰-峰振幅)在很大程度上取决于这种蒙太奇(图2)。在实践中，使用多种EEG蒙太奇，如果最终评分结果不受AASM EEG蒙太奇的显著影响，那么可用电极数量越多，评分者之间的一致性越好，并且可能会导致睡眠分期和觉醒检测的变化。

图2.不同EEG蒙太奇的慢波峰-峰振幅。

对于仅仅依靠EEG而不使用EOG或EMG来进行睡眠分期的问题，不仅从生理和技术角度来看(EEG信号是否包含足够的信息来区分警觉状态，我们是否能够提取和解读这些信息？)很重要，而且从实践的角度来看也很重要，特别是在长期VideoEEG监测的背景下，以及可穿戴家用设备的开发。从EEG信号中提取的信息还可以获得有关睡眠结构的关键信息，目前大多数睡眠分析软件所实现的时频分析仅基于EEG信息，通过EEG频率、EEG功率和时间的三维函数来识别整晚睡眠过程中EEG的动态变化(图3)。

图3.睡眠记录期间的EEG时频分析。

癫痫学家在EEG方面具有丰富的专业知识，并且癫痫相关研究表明，基于27导视频EEG评分与基于多导睡眠图(PSG)评分的一致性达到了95%，即使在异常EEG患者中也具有较高的一致性。有趣的是，尽管没有使用EOG和EMG，但觉醒(0.89)和REM(0.96)的Cohen's k值都非常高。值得注意的是，EEG信号不仅与大脑活动相对应，而且它会受到其他电信号(无论是生理的还是非生理的)的干扰。伪迹(例如眼动和肌肉活动)是一种有用的线索，当EEG通道数较多时，更容易记录到这些伪迹。

出于成本/效益等原因，已有许多研究致力于开发基于EEG(多通道或单通道)的自动睡眠分期方法(基于特征的浅层学习或深度神经网络)。总体而言，与基于EEG/EOG/EMG的专家评分方法相比，单通道EEG自动分期的性能略低于多通道EEG或多信号的方法，尤其是在REM睡眠阶段。然而，在健康成人中进行的验证研究显示了良好的性能，Cohen's k值平均为0.8。一些研究也证明了睡眠障碍患者中视觉分期的一致性。结果似乎受到EEG通道选择的影响(前额导联的性能更好)，但也有人提出了新的EEG访问方法来进行研究，如耳脑电图(Ear-EEG)。这些研究表明，由于传感器数量的减少而导致的信息丢失可以通过更好地利用现有信号中的数据来补偿。这可能有助于开发更简单、便携和常规使用的睡眠检测设备。这也表明了对其他生理信号的高级分析可以作为识别警觉状态的一种方法。

使用EEG以外的其他电生理信号对警觉状态进行分类

EEG是睡眠分期的黄金标准吗？虽然使用EEG来研究睡眠似乎是了解睡眠的最合适方法，但应记住，头皮EEG提供的信息仅限于浅表背外侧皮层，而忽略了那些睡眠不仅非常不同而且是异步的区域(如海马体或枕叶皮层)。此外，许多其他生理功能和参数也会随着警觉状态的不同而波动，甚至超出了大脑的范围。这些限制一方面可以解释睡眠或症状的主观相关因素与睡眠障碍预后之间的差异，另一方面可以解释客观睡眠参数之间的差异，从而削弱了EEG的绝对优势，并为其他方法留出了空间。因此，在过去20年中，开发自动睡眠分期的倡议取得巨大的发展，从而产生了关于记录信号类型和分析信号方法的各种方法。其中，基于EOG的睡眠分期在4-6个阶段的分类中取得了接近EEG的性能，这可能是因为EOG信号不仅包含了眼动的信息，还包含了来自EEG的信息。最近，使用体动监测、心率变异性和加速特性或外周动脉张力的方法报道了对睡眠分期(4或5个类别)的良好结果，但需要注意的是，当单独使用体动监测时，其对判别浅NREM睡眠的性能较差。一些研究者提出单独使用呼吸运动或与运动信号相结合来进行睡眠阶段(清醒/NREM/REM)的分类，甚至最初旨在检测呼吸暂停的睡眠下颌运动也在睡眠分期(4类)中显示出良好的性能。通过非接触式麦克风记录的睡眠声音(与呼吸、运动等相关)，以及使用非接触式生物运动传感器记录的运动(身体运动、呼吸幅度和频率等)，也可以用于睡眠阶段(2-4类)分期。这种方法可以在不使用接触传感器的情况下监测睡眠，并且对睡眠的干扰较小。

这些方法虽然简单易用且性能较好，但也存在一定的局限性。首先，大多数方法只能区分清醒和睡眠状态，或者清醒、NREM和REM睡眠状态，其中一些方法还能诊断阻塞性睡眠呼吸暂停等睡眠障碍，但不能对睡眠阶段进行精确分类，更不用说对睡眠微观结构进行分析了。其次，大多数工具都在特定的数据库中进行测试，如果在其他数据集上使用，其性能可能会下降。第三，开发这些方法的目的之一是用于临床实践，这意味着它们必须在各种睡眠障碍和包括儿童在内的人群中得到验证，而大多数方法只在健康成人或阻塞性睡眠呼吸暂停中进行了研究。最后，在实践中，即使是在医院里由技术人员监控记录，在夜间的部分时间丢失一个信号也并不罕见。备用的其他传感器可以弥补这些技术故障。因此在实践中，使用没有备份的单一信号可能会限制相关性。

跳出R&K和AASM规则的思考

AASM规则对警觉状态动态的简化试图分割连续的生理过程，在描述病理条件时必然面临许多限制。无论采用哪种方法(人工评分或自动评分)，或使用何种生理信号，将睡眠描述局限于这种严格的框架中都存在明显的陷阱。因此，挑战“30s睡眠阶段”的标准评分方案可能是有意义的。信号记录和分析技术的巨大发展，包括对大量数据进行快速分析的能力，可能是回归数据驱动方法的机会。这可能有助于更好地量化睡眠或觉醒不稳定，以及过渡状态，这些状态可能是睡眠和神经系统疾病中感兴趣的状态。这将从评分算法中消除必须复制人类“黄金标准”的荒谬性，这种标准必然是不完美的，并且其本身偏离了为了适应生理变化而刻意简化的规则。

结论

多导睡眠图仍然是睡眠研究和医学的基石，即使替代性的方法层出不穷，无论是使用其他信号来匹配经典的睡眠阶段，还是使用睡眠阶段以外的其他维度来描述警觉状态，这些新方法都是基于我们对睡眠调节机制的最新研究进展，以及数据处理和分析的进步。它们反过来又有助于我们对睡眠生理学和病理生理学的理解。然而，迄今为止，绝大多数新方法仍通过多导睡眠图进行测试/验证。经典的多导睡眠图真的是描述和研究睡眠的必经之路吗？无论如何，电生理信号的使用似乎仍将是睡眠评估的核心部分。睡眠研究和医学的一个特殊性在于其技术层面，即寻求有形的客观因素来反对、比较或关联与睡眠相关的巨大现象学变化。因此，很难预测许多现有的新技术工具将如何整合到医学和其他研究领域中，以及除了提供关于睡眠的其他方面信息之外，它们是否以及如何弥合验证研究和大规模传播之间的差距。

参考文献：Lambert I, Peter-Derex L. Spotlight on Sleep Stage Classification Based on EEG. Nat Sci Sleep. 2023 Jun 29;15:479-490. doi: 10.2147/NSS.S401270.
茗创科技专注于脑科学数据处理，欢迎关注公众号，有任何相关的疑问和咨询，可添加我们的工程师（MCKJ-zhouyi或17373158786）进行咨询~

快来扫码关注吧.jpg