深度学习标注睡眠深度指数：揭示睡眠健康的新型数字生物标志物与疾病风险

引言

睡眠质量与健康密切相关，但传统睡眠分期（如AASM标准的W、N1-N3、REM阶段）存在局限性：

（1）粗糙性：30秒分期内忽略细微变化，难以反映动态睡眠深度。

（2）主观性：人工标注耗时且易受评分者间差异影响。

（3）临床盲区：无法量化睡眠碎片化对疾病风险的累积效应。

深度学习技术为睡眠分析提供了新思路。本文通过开发连续睡眠深度指数（SDI），结合数字生物标志物，揭示睡眠结构与健康结局的深层关联。。

正文

1. 睡眠深度指数（SDI）的开发与验证

数据来源：4个大规模队列（MESA、MROS、CFS、SHHS）的10,485例PSG数据，涵盖脑电（EEG）、眼电（EOG）、心电（ECG）等多模态信号。

模型架构：基于Transformer的神经网络，通过“成对排序损失”（Pairwise Ranking Loss）学习NREM阶段的序数关系（N1<N2<N3），并单独处理REM阶段。

输出结果：每个30秒分期的SDI值（0-1），数值越大表示睡眠越深。

与觉醒事件的相关性：SDI下降幅度与后续30秒内觉醒持续时间呈强线性相关（R>0.99）。

与传统分期的兼容性：SDI与NREM阶段的斯皮尔曼秩相关系数>0.85，保留临床分期框架的同时提供更精细信息。

2. SDI揭示的睡眠结构新发现

案例对比：同为N2阶段，SDI可区分高EMG振幅（浅睡眠，SDI=0.30）与低EMG振幅（深睡眠，SDI=0.85），REM阶段的深度差异：REM期内低频EEG波与高EOG活动对应更高SDI值（0.75）。

临床应用价值：SDI可辅助识别“伪正常”睡眠，例如部分患者虽总睡眠时间（TST）正常，但SDI显示夜间后半段持续浅睡眠（图6a）。

3. 数字生物标志物与健康风险

时域特征：变异系数（CV）、偏度（SK）、浅睡眠占比（RB）。

非线性特征：近似熵（ApEn）、去趋势波动分析（DFA）。

生理关联特征：REM期平均深度（MDR）、REM占比（PR）。

亚型划分：高斯混合模型将人群分为“正常”与“紊乱”睡眠亚型。

疾病负担：紊乱亚型的睡眠呼吸暂停（OR=1.55）、高血压（OR=1.21）患病率显著更高。

生存分析：紊乱亚型的全因死亡率风险增加33%（HR=1.33），致命性冠心病风险增加38%（HR=1.38）（图5）。

4. 技术局限与未来方向

信号依赖：需4通道PSG数据，限制了在可穿戴设备中的应用。

分辨率限制：30秒分期可能遗漏更短时程的睡眠波动。

轻量化模型：探索单通道EEG或光电体积描记（PPG）信号实现便携监测。

动态标注：开发高时间分辨率（如5秒窗口）的SDI模型。

 结论

本研究通过深度学习实现了睡眠深度的连续量化，突破了传统分期的固有局限。SDI及其衍生的数字生物标志物不仅为临床提供了更精细的睡眠评估工具，还揭示了睡眠紊乱与慢性疾病的潜在关联。未来研究可进一步整合呼吸信号、优化模型泛化能力，并探索SDI在个性化睡眠干预中的应用价值。

参考文献：Zhou, S., Song, G., Sun, H. et al. Continuous sleep depth index annotation with deep learning yields novel digital biomarkers for sleep health. npj Digit. Med. 8, 203 (2025). https://doi.org/10.1038/s41746-025-01607-0