基于单通道脑电的无睡眠分期标注失眠评估方法研究

本研究针对多导睡眠监测(PSG)复杂耗时的问题，开发了基于单通道脑电(EEG)的失眠筛查技术。通过信号预处理、频谱/时域特征提取及1D-CNN验证，筛选出零交叉率、绝对慢波功率等关键特征，实现95%准确率与90% Cohen's kappa值，为临床前失眠筛查提供便捷工具。

　　

睡眠障碍已成为现代社会的公共卫生难题，其中失眠症因高发病率与多种并发症备受关注。当前临床诊断依赖多导睡眠监测(PSG)，但其电极数量多、操作复杂的特点限制了普及应用。如何通过简化技术手段实现可靠筛查，成为睡眠医学领域亟待突破的瓶颈。

台湾省科研团队在《Expert Systems with Applications》发表的研究，创新性地提出基于单通道脑电(EEG)的无睡眠分期标注失眠评估方案。该研究首先从CAP睡眠数据库中筛选25例健康者和9例失眠者的Fp2通道数据，通过信号降噪、频谱分析提取δ/θ/α/β/γ波段特征，结合零交叉率等时域参数，最终利用1D-CNN模型筛选出最具鉴别力的生物标志物。研究证实，仅需单通道EEG即可实现95%分类准确率，突破传统PSG对专业睡眠分期的依赖。

关键技术包括：1)采用CAP数据库临床EEG数据；2)设计两级信号预处理流程消除>256μV噪声；3)提取5个频段功率谱和时域特征；4)通过1D-CNN验证特征有效性。

【系统描述】
建立基于最小化EEG通道的失眠筛查体系，重点挖掘健康与失眠者的客观EEG差异特征，为便携设备开发奠定基础。

【Cyclic Alternating Pattern (CAP)睡眠数据集】
采用专家标注的108例PSG数据子集，包含未分级失眠者与健康对照的Fp2通道记录，确保数据临床可靠性。

【信号预处理】
对比降噪前后信号振幅变化，证实预处理可将EEG振幅波动控制在256μV阈值内，显著提升信噪比。

【特征选择】
筛选出绝对慢波功率(δ波段)、相对θ功率等关键指标，其中零交叉率作为时域特征表现突出，共同构成失眠鉴别特征集。

【结论与未来工作】
该研究突破性地证明单通道EEG无需睡眠分期即可实现高效失眠筛查，特征提取流程具有可重复性。未来可扩展至其他睡眠障碍鉴别，推动家庭化睡眠监测技术发展。

研究的重要意义在于：首次系统验证无分期标注EEG特征的失眠评估可行性，为开发穿戴式设备提供理论依据；采用的1D-CNN验证框架确保特征科学性；台湾省科研团队获得的NSTC112-2221-E-305-008等项目支持，体现该成果的临床转化潜力。值得注意的是，作者Chan-Yun Yang等特别声明无利益冲突，并致谢台北医学大学睡眠中心提供的临床数据支持。