睡眠分期 | Lunion Stage 如何使用频谱图提高睡眠分析效率
在睡眠研究中，采集的睡眠数据通常包含EEG脑电与运动信号（例如EMG肌电，EOG眼电信号）等，将睡眠数据可视化可以让研究者们快速理解与评价睡眠结构。常见的可视化分析包含睡眠时相图（Hypnogram）、频谱图（Spectrogram）等。
我们可以根据采集的电生理信号对睡眠数据进行分期，而睡眠分期的结果通常作为时间的函数表示出来，可视化每个睡眠状态对应的时间段，即睡眠时相图。
然而在传统的睡眠分期中，睡眠数据被划分为数个固定长度的时间片段（Epoch），根据每个时间片段内的电生理信号信息（例如波形、频带能量数值等）来判定当前Epoch的睡眠状态，对应的睡眠时相图无法捕捉睡眠状态之间的细微动态变化，或者可能忽略睡眠状态内更长或更短的时间片段，从而导致对睡眠结构的错误评价。
因此，在分析睡眠结构时，我们需要结合更多的信息，例如电生理信号的时域与频域特征等，以获得更加全面与客观的睡眠分析结果，频谱分析（Spectral Analysis）在这一方面可以提供很有效的参考作用。
频谱分析是用于分析睡眠脑电信号的有效手段，可以将波形信号分解为所有组成波形信号的不同频率波形与振荡功率。我们可以使用频谱分析技术绘制频谱图，以动态的方式描述复杂信号与时间的关系。
在早期的频谱图中（A Traditional Spectral Bands），我们可以清晰地看到脑电信号的组成部分，但频率分辨率较低，我们根据被拆分的各个频带信号能量对数据能够作出的评价非常有限。
随着频谱技术的进步，频谱图的分辨率也得到了一定的提升（例如 B Single-Taper Spectrogram），但是我们能观察到频谱图中还有相当多的噪音，难以区分频带能量的强弱是如何跟随时间变化的。
通过使用最近的频谱技术后（C Multitaper Spectrogram），频率与时间分辨率得到了极大的提高，将睡眠过程的连续与动态特征展示出来，让我们可以更加客观准确地对分期结果进行评价。
Lunion Stage自动睡眠分期系统基于AI算法，针对实验动物的EEG脑电与运动信号可以自动判别WAKE，NREM，REM睡眠状态，计算与绘制睡眠数据的频谱图（Multitaper Spectrogram），在下图中我们可以观察到完整睡眠分期结果对应的睡眠时相图，脑电的频谱图与运动数据的RMS曲线图（3种图表都可以自定义时间与尺寸在系统内下载）。
对应睡眠分期结果的频谱图Y轴为频率（Hz），X轴为时间，展示了每一个Epoch对应的频带能量（μV²/Hz）的强弱，颜色从冷色到暖色，冷色越深，对应的频带能量越弱，暖色越深，对应的频带能量越强。
在动物的睡眠研究中，我们通常观察到的睡眠结构特征为：
· EEG波幅较低，没有典型频段能量的WAKE清醒状态；
· 以Delta频带（0.5-4Hz）能量为主的NREM非快速眼动睡眠状态；
· 以Theta频带（4-8Hz）能量为主的REM快速眼动睡眠状态。
对应到Lunion Stage的局部频谱图中，可以看到每一个Epoch在0-30Hz的频率范围内频带能量的分布情况：
例如被AI自动判定为WAKE的Epoch，各个频带能量都相对弱（偏冷色或冷色深色），同时可以看到相对明显的EMG肌电运动信号。
在NREM Epoch中，Delta的频带能量相对强，在0.5-4Hz的范围上较为明显（偏暖色深色）。
在REM Epoch中，Theta的频带能量相对强，在4-8Hz的范围上较为明显。
同时我们也能观察到这一段睡眠结构的动态变化：
· NREM→REM：Delta能量降低，Theta能量增加。
· REM→WAKE：Theta能量降低，逐渐分散减弱。
Lunion Stage 的局部频谱图展示了当前选中Epoch前后20个Epoch的频带能量变化，除了依靠信号波形与频带能量数值，频谱图能够作为直观有效的补充信息描述睡眠状态的动态变迁过程。
Lunion Stage 自动睡眠分期系统围绕实验动物（包括大鼠、小鼠、家犬、非人灵长类等动物）的EEG脑电和运动数据（肌电或者加速度），采用深度学习和迁移学习的算法, 可对动物的睡眠状态NREM/REM/WAKE进行自动判别，识别精度可达98%以上。
系统由 Stage睡眠分期软件和 Stage Box 高性能工作站组成，适用于睡眠相关的长期研究，便于储存大规模睡眠数据，可在内网独立运行，帮助科研人员在本地精准、稳定、高效地实现睡眠数据的分析与管理。
在线体验Stage睡眠分期软件
登录 https://stage.luniondata.com
如果您有脑科学研究方面的数据问题，欢迎联系麓联数据团队
麓联数据助力中国脑科学事业的发展，致力于成为脑科学研究的最佳支持者
Data Science for Science！
