一种基于脑电图（EEG）的机器学习框架，用于诊断急性睡眠剥夺

《Frontiers in Physiology》：An EEG-based machine learning framework for diagnosing acute sleep deprivation

急性睡眠剥夺对认知功能的影响显著，本研究利用61通道EEG数据，提取统计、频谱、功能连接和图论特征，对比分析传统机器学习（LightGBM、XGBoost、RF、SVC）和深度学习（CNN、LSTM、Transformer）模型检测急性睡眠剥夺的效能。结果显示，传统模型在跨个体验证中表现更优（最高准确率68.23%），SHAP分析表明前额叶theta波段调制和beta波段功能连接是关键特征。

　　睡眠剥夺对认知功能、行为表现以及健康产生深远影响，因此，开发一种可靠的检测方法具有重要意义。本文探讨了如何利用机器学习技术，特别是基于脑电图（EEG）数据，来区分急性睡眠剥夺和正常休息状态。通过分析多通道EEG信号，研究提出了一种综合的特征提取方法，结合了统计特征、频谱特征、功能连接性指标和图论指标，为构建一个高精度、高可解释性的模型提供了基础。研究结果表明，某些机器学习模型在无个体分割的条件下表现优异，而在考虑个体差异的情况下，模型的性能有所下降，但整体仍具有实际应用价值。此外，研究还通过特征重要性分析揭示了关键的神经标记，为未来研究提供了新的方向。

### 睡眠剥夺的神经影响

睡眠剥夺会导致多种神经和行为上的变化，这些变化影响个体的认知能力，包括注意力、执行功能和视觉运动协调等。研究表明，特定脑区会进入类似睡眠的状态，即使个体仍然清醒，这种现象称为“局部睡眠”。睡眠剥夺会降低这些脑区之间的功能性连接，从而影响信息处理效率。同时，大脑的频率活动也会发生变化，表现为低频波段（如delta和theta）的功率增加，而高频波段（如alpha和beta）的功率下降，尤其在与注意力和视觉处理相关的皮层区域更为明显。

这些神经变化在不同脑区表现不同。例如，前额叶区域在长期睡眠剥夺后表现出显著的功率变化，而顶叶和枕叶区域则在24小时的睡眠剥夺后显示出不同的特征。总体而言，睡眠剥夺对大脑功能的影响是广泛而复杂的，这使得基于EEG的检测方法成为一种有前景的工具。

### 机器学习在EEG分析中的应用

机器学习在EEG信号分析中得到了广泛应用，尤其是在睡眠研究领域。传统方法如随机森林（RF）、XGBoost和LightGBM等，因其强大的分类能力和对非线性关系的建模能力，已被证明在睡眠质量评估和睡眠障碍检测中具有显著优势。这些模型通常依赖于手工提取的特征，但它们的泛化能力和解释性使其在实际应用中表现出色。

相比之下，深度学习模型如卷积神经网络（CNN）、长短期记忆网络（LSTM）和Transformer，能够直接从原始EEG信号中学习复杂的时空特征，表现出更强的模式识别能力。然而，这些模型通常需要大量数据和计算资源，且在数据量有限的情况下容易过拟合。因此，研究在评估这些模型时，考虑了两种策略：一种是基于单个时段（epoch）的评估，另一种是基于个体的评估，以更好地理解模型的泛化能力。

### 实验方法与数据处理

本研究使用了一个公开的、眼睛睁开的休息状态EEG数据集，包含71名健康的年轻成年人（34名女性，37名男性），年龄范围为17至23岁，平均年龄为20岁，标准差为1.44岁。实验设计采用的是单个被试内部的对照模式，每个被试完成两个条件下的测试：一个是在正常睡眠后进行的清醒状态测试，另一个是在急性睡眠剥夺后的测试。两组测试之间间隔7天至1个月，以减少序列效应的影响。为了降低昼夜节律变化的影响，所有测试均在固定的时段（早晨或下午）进行，大多数被试的测试时间间隔不超过1.5小时。

在数据预处理阶段，研究采用了EEGLAB工具箱，使用MATLAB平台进行数据处理。首先，数据经过独立成分分析（ICA）进行去噪处理，去除与眼部和肌肉活动相关的干扰成分。然后，数据被重新参考为公共平均参考（CAR），以提高信号的稳定性。接着，EEG信号被分割为连续且不重叠的20秒时段，这是基于对时间分辨率和频谱估计稳定性的权衡选择的。在此基础上，进一步剔除了质量不高的时段，最终数据集中包含了1,681个时段，其中858个为正常睡眠后的清醒状态，823个为急性睡眠剥夺后的状态。

在特征提取方面，研究提取了四类特征：时频特征、频谱特征、功能连接性特征和图论特征。时频特征使用连续小波变换（CWT）计算，而频谱特征则通过Welch方法估计。功能连接性特征包括相位锁定值（PLV）和相干性（coherence），用于衡量不同脑区之间的信息传递效率。图论特征则从完整的PLV邻接矩阵中提取，包括节点强度、加权聚类系数、全局效率、特征路径长度和模块度等。所有特征被合并为一个高维向量，每个时段对应一个2481维的特征集。

### 模型训练与评估

研究对多种机器学习模型和深度学习模型进行了训练和评估。机器学习模型包括随机森林（RF）、XGBoost、LightGBM和支持向量分类器（SVC），而深度学习模型包括CNN、LSTM和Transformer。这些模型在两个评估条件下进行训练：一种是不考虑个体分割的评估，另一种是考虑个体分割的评估，以确保模型在未知个体上的泛化能力。

在不考虑个体分割的条件下，CNN模型表现最佳，达到了95.72%的准确率，其次是XGBoost（95.42%）、LightGBM（94.83%）、RF（94.53%）和SVC（85.25%）。然而，当考虑个体分割时，所有模型的性能都下降了，其中RF模型表现最佳，准确率为68.23%，其次是XGBoost（66.36%）、LightGBM（66.21%）、CNN（65.35%）和SVC（65.08%）。Transformer和LSTM模型的准确率最低，分别为63.35%和61.70%。这一结果表明，尽管深度学习模型在某些条件下表现优异，但它们在面对不同个体时可能缺乏足够的泛化能力。

模型的评估指标包括准确率、F1分数和ROC曲线下面积（AUC）。通过混淆矩阵，研究计算了这些指标，并进一步使用Friedman检验和Dunn检验来评估模型性能的显著性。在无个体分割的条件下，Friedman检验显示所有模型之间存在显著差异，而在考虑个体分割的情况下，模型之间的差异不显著，表明模型在跨个体泛化上面临挑战。

### 特征重要性分析

为了增强模型的可解释性，研究采用了SHAP（Shapley Additive exPlanations）分析方法，该方法通过计算每个特征对模型预测的贡献来评估其重要性。结果显示，随机森林和XGBoost模型中，最重要的特征包括前额叶theta波段的平均振幅调制（Fp2_theta_meanAM、Fp1_theta_meanAM和Fpz_theta_meanAM）以及beta波段的相干性（Coh_beta）。这些特征与已知的睡眠剥夺神经效应一致，表明模型能够捕捉到与睡眠剥夺相关的关键神经活动。

此外，SHAP分析还揭示了不同模型在特征选择上的差异。例如，随机森林模型更倾向于使用Fp2_theta_meanAM作为主要预测因子，而XGBoost模型则更关注Coh_beta。尽管两者都强调了theta波段和beta波段的重要性，但特征的重要性排名不同，反映了不同算法对神经标记的偏好。

### 研究的局限性与未来方向

尽管本研究取得了一定的成果，但仍存在一些局限性。首先，所使用的数据集来源于一个相对同质化的年轻健康人群，可能限制了模型在更广泛人群中的适用性。因此，未来的研究应尝试在更多样化的样本中验证模型的有效性。其次，本研究将急性睡眠剥夺视为一个二元状态，而实际上其影响可能是连续的，这种简化可能掩盖了更复杂的认知和生理变化。因此，未来可以考虑采用多分类或回归框架，以更全面地评估睡眠剥夺的影响。

此外，研究中使用的公共平均参考（CAR）方法可能受到电极配置和头皮覆盖的影响，因此未来可以探索其他参考方法，以减少可能的参考偏差。最后，当前的研究使用了非重叠的20秒时段进行分析，虽然有助于稳定频谱估计，但可能忽略了快速变化的神经活动。未来的研究可以考虑采用更细粒度的窗口策略，以更好地捕捉动态的神经变化。

### 结论与展望

本研究通过结合机器学习和深度学习方法，为急性睡眠剥夺的检测提供了一种新的思路。尽管在考虑个体分割的情况下，模型的性能有所下降，但总体上仍具有较高的准确率和良好的泛化能力。这些结果表明，基于EEG的机器学习方法在实际应用中具有潜力，特别是在需要持续监测和及时干预的场景中。

未来的研究可以进一步优化模型，使其在更广泛的人群中表现稳定，并探索更复杂的模型结构和特征提取方法。此外，结合其他生理信号（如光体积描记（PPG））可能有助于开发更全面的监测系统，从而实现非侵入性的睡眠剥夺检测。最终，这些方法有望在医疗、交通、制造等需要高度警觉的领域中发挥重要作用，帮助识别和干预睡眠剥夺带来的潜在风险。