在睡眠研究中，采集的睡眠數(shù)據(jù)通常包含EEG腦電與運(yùn)動信號（例如EMG肌電，EOG眼電信號）等，將睡眠數(shù)據(jù)可視化可以讓研究者們快速理解與評價睡眠結(jié)構(gòu)。常見的可視化分析包含睡眠時相圖（Hypnogram）、頻譜圖（Spectrogram）等。

我們可以根據(jù)采集的電生理信號對睡眠數(shù)據(jù)進(jìn)行分期，而睡眠分期的結(jié)果通常作為時間的函數(shù)表示出來，可視化每個睡眠狀態(tài)對應(yīng)的時間段，即睡眠時相圖。

然而在傳統(tǒng)的睡眠分期中，睡眠數(shù)據(jù)被劃分為數(shù)個固定長度的時間片段（Epoch），根據(jù)每個時間片段內(nèi)的電生理信號信息（例如波形、頻帶能量數(shù)值等）來判定當(dāng)前Epoch的睡眠狀態(tài)，對應(yīng)的睡眠時相圖無法捕捉睡眠狀態(tài)之間的細(xì)微動態(tài)變化，或者可能忽略睡眠狀態(tài)內(nèi)更長或更短的時間片段，從而導(dǎo)致對睡眠結(jié)構(gòu)的錯誤評價。

因此，在分析睡眠結(jié)構(gòu)時，我們需要結(jié)合更多的信息，例如電生理信號的時域與頻域特征等，以獲得更加全面與客觀的睡眠分析結(jié)果，頻譜分析（Spectral Analysis）在這一方面可以提供很有效的參考作用。

頻譜分析是用于分析睡眠腦電信號的有效手段，可以將波形信號分解為所有組成波形信號的不同頻率波形與振蕩功率。我們可以使用頻譜分析技術(shù)繪制頻譜圖，以動態(tài)的方式描述復(fù)雜信號與時間的關(guān)系。

在早期的頻譜圖中（A?Traditional Spectral Bands），我們可以清晰地看到腦電信號的組成部分，但頻率分辨率較低，我們根據(jù)被拆分的各個頻帶信號能量對數(shù)據(jù)能夠作出的評價非常有限。

隨著頻譜技術(shù)的進(jìn)步，頻譜圖的分辨率也得到了一定的提升（例如?B?Single-Taper Spectrogram），但是我們能觀察到頻譜圖中還有相當(dāng)多的噪音，難以區(qū)分頻帶能量的強(qiáng)弱是如何跟隨時間變化的。

通過使用最近的頻譜技術(shù)后（C?Multitaper Spectrogram），頻率與時間分辨率得到了極大的提高，將睡眠過程的連續(xù)與動態(tài)特征展示出來，讓我們可以更加客觀準(zhǔn)確地對分期結(jié)果進(jìn)行評價。

Lunion Stage自動睡眠分期系統(tǒng)基于AI算法，針對實(shí)驗(yàn)動物的EEG腦電與運(yùn)動信號可以自動判別WAKE，NREM，REM睡眠狀態(tài)，計(jì)算與繪制睡眠數(shù)據(jù)的頻譜圖（Multitaper Spectrogram），在下圖中我們可以觀察到完整睡眠分期結(jié)果對應(yīng)的睡眠時相圖，腦電的頻譜圖與運(yùn)動數(shù)據(jù)的RMS曲線圖（3種圖表都可以自定義時間與尺寸在系統(tǒng)內(nèi)下載）。

對應(yīng)睡眠分期結(jié)果的頻譜圖Y軸為頻率（Hz），X軸為時間，展示了每一個Epoch對應(yīng)的頻帶能量（μV2/Hz）的強(qiáng)弱，顏色從冷色到暖色，冷色越深，對應(yīng)的頻帶能量越弱，暖色越深，對應(yīng)的頻帶能量越強(qiáng)。

在動物的睡眠研究中，我們通常觀察到的睡眠結(jié)構(gòu)特征為：

·? EEG波幅較低，沒有典型頻段能量的WAKE清醒狀態(tài)；

·? 以Delta頻帶（0.5-4Hz）能量為主的NREM非快速眼動睡眠狀態(tài)；

·? 以Theta頻帶（4-8Hz）能量為主的REM快速眼動睡眠狀態(tài)。

對應(yīng)到Lunion Stage的局部頻譜圖中，可以看到每一個Epoch在0-30Hz的頻率范圍內(nèi)頻帶能量的分布情況：

例如被AI自動判定為WAKE的Epoch，各個頻帶能量都相對弱（偏冷色或冷色深色），同時可以看到相對明顯的EMG肌電運(yùn)動信號。

在NREM Epoch中，Delta的頻帶能量相對強(qiáng)，在0.5-4Hz的范圍上較為明顯（偏暖色深色）。

在REM Epoch中，Theta的頻帶能量相對強(qiáng)，在4-8Hz的范圍上較為明顯。?

同時我們也能觀察到這一段睡眠結(jié)構(gòu)的動態(tài)變化：

·? NREM→REM：Delta能量降低，Theta能量增加。

·? REM→WAKE：Theta能量降低，逐漸分散減弱。

Lunion Stage 的局部頻譜圖展示了當(dāng)前選中Epoch前后20個Epoch的頻帶能量變化，除了依靠信號波形與頻帶能量數(shù)值，頻譜圖能夠作為直觀有效的補(bǔ)充信息描述睡眠狀態(tài)的動態(tài)變遷過程。

Lunion Stage 自動睡眠分期系統(tǒng)圍繞實(shí)驗(yàn)動物（包括大鼠、小鼠、家犬、非人靈長類等動物）的EEG腦電和運(yùn)動數(shù)據(jù)（肌電或者加速度），采用深度學(xué)習(xí)和遷移學(xué)習(xí)的算法, 可對動物的睡眠狀態(tài)NREM/REM/WAKE進(jìn)行自動判別，識別精度可達(dá)98%以上。

系統(tǒng)由 Stage睡眠分期軟件和 Stage Box 高性能工作站組成，適用于睡眠相關(guān)的長期研究，便于儲存大規(guī)模睡眠數(shù)據(jù)，可在內(nèi)網(wǎng)獨(dú)立運(yùn)行，幫助科研人員在本地精準(zhǔn)、穩(wěn)定、高效地實(shí)現(xiàn)睡眠數(shù)據(jù)的分析與管理。?

在線體驗(yàn)Stage睡眠分期軟件

登錄? https://stage.luniondata.com??

如果您有腦科學(xué)研究方面的數(shù)據(jù)問題，歡迎聯(lián)系麓聯(lián)數(shù)據(jù)團(tuán)隊(duì)

麓聯(lián)數(shù)據(jù)助力中國腦科學(xué)事業(yè)的發(fā)展，致力于成為腦科學(xué)研究的最佳支持者

Data Science for Science！??