昨晚你睡得好嗎？

一個(ge) 良好的睡眠會(hui) 讓我們(men) 更加輕鬆地開啟嶄新的一天。越來越多的人都開始關(guan) 注自己的睡眠狀況，並想要尋求更加科學且便捷的評估方法。迄今為(wei) 止，有多種評估睡眠質量的方法，但多是需要去到專(zhuan) 業(ye) 的醫療機構，使用複雜的設備儀(yi) 器進行全方麵的測評。

那麽(me) ，是否有對家庭或個(ge) 人而言更加簡單便捷的睡眠質量評估工具，以方便我們(men) 在日常監測睡眠質量呢？

一項由成都醫學院公共衛生學院、成都市第五人民醫院心身內(nei) 科等多家醫院研究所共同參與(yu) 的研究，就將睡眠質量研究中最常見的腦電數據(EEG)與(yu) 麵部表情、睡眠行為(wei) 相結合進行探究，為(wei) 睡眠質量的評估方法帶來新的思考路徑(Cao et al.，2023)。


睡覺很簡單，但質量很重要
睡眠對人體(ti) 非常重要，它是身體(ti) 的一個(ge) 活躍過程，有助於(yu) 恢複精神，緩解疲勞。睡眠不足會(hui) 影響大腦的記憶能力。

隨著社會(hui) 競爭(zheng) 壓力的增大，人們(men) 的睡眠質量迅速下降，睡眠剝奪帶來的各種健康挑戰或健康風險可能逐漸發生，比如多種急慢性疾病、心血管疾病和腦神經係統疾病等。一項美國調查顯示，夜間睡眠質量低的人群中，有38%主要是因為(wei) 抑鬱和焦慮。此外，家庭壓力、工作焦慮和經濟壓力也會(hui) 導致睡眠障礙。

睡眠質量差是一種相對常見的影響內(nei) 分泌、免疫和神經係統的疾病，對睡眠質量的重要性及其與(yu) 發病率關(guan) 係的值得關(guan) 注與(yu) 討論。


如何評估睡眠質量？
目前臨(lin) 床上主要的睡眠質量評估工具包括多種，如多導睡眠監測 (PSG)、腦電圖(EEG)、量表測評等。

多導睡眠監測是臨(lin) 床指南推薦的一種基本睡眠障礙檢測方法。利用各睡眠時段PSG的變化規律，對評估睡眠質量和識別睡眠障礙具有基礎性作用。但多導睡眠監護儀(yi) 價(jia) 格昂貴，操作複雜，不適合家庭使用。

測量睡眠質量的量表雖然也有很多，且具有良好的信效度，但仍存在主觀性較強，缺乏具體(ti) 的、可量化的、客觀有效的評價(jia) 指標等問題，難以應對更加深入的研究。

因此，研究簡單便捷的睡眠質量評估工具對於(yu) 家庭或個(ge) 人監測睡眠質量，從(cong) 而改善睡眠質量，促進身體(ti) 健康至關(guan) 重要。


睡眠行為(wei) ，反映更真實的睡眠狀態
人體(ti) 的基本運動是在大腦皮層的統一控製下完成的。過度的睡眠運動和行為(wei) 被認為(wei) 是由大腦皮層的興(xing) 奮或活動引起的，這也可能導致深度睡眠時間的相對減少。

過往研究中，睡眠行為(wei) 主要以睡眠習(xi) 慣和睡眠姿勢劃分，未對睡眠過程中自發的身體(ti) 行為(wei) 進行分類分析。監測睡眠行為(wei) 的內(nei) 容包括身體(ti) 運動和肌肉震顫等，數據采集主要基於(yu) 多導睡眠監測 (PSG)，通過佩戴儀(yi) 器進行，但這也存在睡眠過程中因佩戴儀(yi) 器產(chan) 生不適的問題；此外，環境變化也容易引起應激反應，測量數據可能與(yu) 頻繁睡眠狀態不一致。

而通過攝像頭收集與(yu) 睡眠行為(wei) 相關(guan) 的數據則可以更好地反映真實的睡眠狀態。

因此，本研究使用了基於(yu) 行為(wei) 監測與(yu) 分析的專(zhuan) 業(ye) 行為(wei) 學研究軟件：行為(wei) 觀察記錄係統 (The Observer XT) 和麵部表情分析係統（FaceReader），以更好地分析人體(ti) 在睡眠過程中的自發行為(wei) ，探索睡眠腦電圖數據、睡眠行為(wei) 和麵部表情之間的關(guan) 係的目標，分析開發客觀反映睡眠質量評價(jia) 係統的可行性。


實驗過程
研究為(wei) 個(ge) 案研究，以三個(ge) 標準選取被試：
(1)睡眠規律(匹茲(zi) 堡睡眠質量指數評分<7);
(2)無心血管、呼吸、神經係統疾病、精神障礙、睡眠障礙病史;
(3)不吸煙、不酗酒

最終選取1名28歲本科女性被試，在一周的正常睡眠後進行實驗測試。采集其7 小時(00:00-07:00)睡眠時的睡眠行為(wei) 、麵部表情以及睡眠EEG數據。

實驗室設置：
睡眠實驗室被設置在28℉，以確保被試不會(hui) 因為(wei) 溫度不適而遮蓋自己的身體(ti) 和麵部。
安裝三角紅外攝像機，分別從(cong) 上方、左側(ce) 和右側(ce) 記錄麵部表情。根據以往的數據分析經驗，攝像機放置在距離麵部約35cm的位置，以確保麵部表情記錄清晰完整。
腦電圖檢測與(yu) 分析：
腦電數據主要采集符合美國睡眠醫學學會(hui) （AASM）標準要求的以下通道：F3、F4、C3、C4、 O1、O2；並從(cong) 睡眠數據中提取特征波，形成地形圖。EEG特征波為(wei) δ (0-4 Hz)、θ (4-8 Hz)、α(8-13 Hz)、β (13 - 30 Hz)和γ(30 - 50 Hz)。

睡眠行為(wei) 監測編碼：
利用行為(wei) 觀察記錄分析係統(The Observer XT) 對睡眠中發生的行為(wei) 進行行為(wei) 編碼分析，將睡眠行為(wei) 分為(wei) 7種，包括麵部運動、左手運動、右手運動、身體(ti) 運動、頭部運動、其他運動以及行為(wei) 的總數。

麵部表情追蹤分析：
所有的視頻被分割成片段，每個(ge) 片段持續30分鍾，並將三個(ge) 角度的麵部表情視頻進行整合。使用麵部表情分析係統 (FaceReader) 分析睡眠時的麵部表情。係統自動對麵部動作單元（AU）進行編碼，確定麵部表情情緒的頻率和強度，對快樂(le) 、悲傷(shang) 、憤怒、厭惡、害怕、驚訝和中性表情進行分析。


結果分析
麵部表情&睡眠行為(wei) 結果分析：

圖1

圖2
分析每30min出現快樂(le) 、悲傷(shang) 、憤怒、厭惡、害怕、驚訝和中性表情的比例，分析麵部動作、左手動作、右手動作、身體(ti) 動作、頭部動作、其他動作的次數和行為(wei) 的總數。

如圖1、圖2結果發現，左手和右手的行為(wei) 次數在前1-2h達到高峰，驚訝表情的比例最高。第3小時睡眠行為(wei) 頻率下降，中性表情所占比例最大。在3-4h時，睡眠行為(wei) 頻率呈斷崖式下降，中性表情比例最高。在5-6小時，睡眠行為(wei) 次數減少，沒有記錄到各種麵部表情。

腦電（EEG）結果分析：
α波呈先增強後減弱的趨勢，δ波呈負增強的趨勢，β波呈增強後負增強的趨勢，γ波呈負增強的趨勢。θ波先是正增強，後為(wei) 負增強。明顯的結果是在睡醒前1 h，各波段均呈現正增強趨勢。


相關(guan) 分析：
在本研究中，不同腦電波的平均功率強度隨入睡時間的變化而變化，並與(yu) 麵部表情相關(guan) 。

表1
在α波段，F3, F4, O1, O2通道的功率變化與(yu) 悲傷(shang) 表情呈正相關(guan) ，這可能是由於(yu) 睡眠質量差的原因；F3, C3, O1, O2通道的功率變化與(yu) 恐懼表情呈正相關(guan) ，如表1所示。這也驗證了過往研究的結果，即在悲傷(shang) 情緒下的刺激可以導致大腦中央區域的α波能量增加（Criado et al., 2021）。


表2

表3
F3通道通常位於(yu) 額葉，主要參與(yu) 運動和高級心理功能，在多個(ge) 波段均發現其功率變化與(yu) 麵部表情的相關(guan) 。
在θ波段，F3通道功率變化與(yu) 悲傷(shang) 表情呈正相關(guan) ，如表2所示。
在β波段，F3通道功率變化與(yu) 中性表情呈負相關(guan) ，與(yu) 悲傷(shang) 表情、驚訝表情呈正相關(guan) ，如表3所示。而先前研究結果表明，β波調節中性和情緒化的表情，θ波段調節快樂(le) 和悲傷(shang) 的表情(Yan et al., 2018)，這可能解釋了β波、θ波與(yu) 這些表情相關(guan) 的原因。


表4
在δ波段，F3通道功率變化與(yu) 悲傷(shang) 表情呈正相關(guan) ，如表4所示。

在γ波段，F3通道功率變化與(yu) 麵部表情無相關(guan) 性。


結論
綜上可見，睡眠期間各波段腦電圖平均功率上下波動，睡眠行為(wei) 在3-4h出現頻率較低，中性麵部表情在3-4h出現頻率最高。不同通道下各波段的變化與(yu) 麵部表情相關(guan) (p < 0.05)。
這表明了睡眠過程中睡眠EEG數據、睡眠行為(wei) 和睡眠麵部表情的變化，並發現睡眠EEG數據與(yu) 睡眠麵部表情之間的相關(guan) 性。
或許，在未來的睡眠研究應用中，可以增加對麵部表情的關(guan) 注，實現針對家庭或個(ge) 人而言對睡眠質量更加簡單便捷的日常監測。

參考文獻
Cao, Q., Ma, Z., Liu, F., Wang, Y., Weng, X., & Xu, F. (2023). Correlation analysis between EEG data and facial expressions and sleep behaviors. Brain-Apparatus Communication: A Journal of Bacomics, 2(1), 2208167.
Criado, J. R., Gizer, I. R., Slutske, W. S., Phillips, E., & Ehlers, C. L. (2012). Event-related oscillations to affective stimuli: heritability, linkage and relationship to externalizing disorders. Journal of psychiatric research, 46(2), 256-263.
Yan, T., Dong, X., Mu, N., Liu, T., Chen, D., Deng, L., ... & Zhao, L. (2018). Positive classification advantage: tracing the time course based on brain oscillation. Frontiers in human neuroscience, 11, 659.


關(guan) 注諾達思公眾(zhong) 號，聯係我們(men) 獲取更多產(chan) 品信息及學術文章！