利用EEG-EMG睡眠密度图表征小鼠警觉状态的过渡态

研究目的　警觉状态转变是连续的生物学过程，然而，传统的啮齿动物睡眠评分依赖于离散的时间分段，这会掩盖中间状态。由于目前尚无用于表征啮齿动物这些中间状态的标准化框架，本研究旨在表征小鼠状态转变的时间动态，并验证一种用于客观检测的机器学习方法。 方法　采用雄性 C57BL/6N 小鼠进行慢性 EEG 和 EMG 记录。我们提取了包含清晰稳定转变的 56 秒时间窗，这些转变涉及清醒（WAKE）、非快速眼动睡眠（NREMS）和快速眼动睡眠（REMS）之间的转换。8 名经过训练的专家对转变的起始时间和持续时长进行了人工标注，以建立真实值并评估评分者间一致性。利用从稳定状态中提取的定量 EEG/EMG 特征（如频谱功率、复杂度、EMG 方差），训练支持向量机（SVM）分类器，以预测独立测试动物中的转变中点。 结果　专家之间的评分一致性为中等到较低，尤其是在 WAKE 向 NREMS 以及 NREMS 向 REMS 的转变中，这反映了人工评分固有的模糊性。时间分析显示，不同转变类型具有不同的动态特征；NREMS 向 REMS 的转变显著长于其他所有类型，而 REMS 向 NREMS 的转变最为突然。尽管人工评分存在变异性，仅基于稳定状态特征训练的 SVM 模型仍成功预测了由专家定义的转变中点。 结论　我们的方法不仅表征了小鼠不同转变类型中可识别的动态特征，还提供了一个可重复的框架，用于量化睡眠—觉醒转变，这对于研究觉醒稳定性及疾病相关损害至关重要。

研究目的　警觉状态转换是连续的生物学过程，然而传统的啮齿动物睡眠评分依赖于离散的时间片段，这会掩盖中间状态。由于目前尚不存在用于表征啮齿动物这些中间状态的标准化框架，本研究旨在刻画小鼠状态转换的时间动态，并验证一种用于客观检测的机器学习方法。

方法　从雄性 C57BL/6N 小鼠获得慢性 EEG 和 EMG 记录。我们提取了包含清晰稳定转换的 56 秒时间窗，这些转换发生于清醒（WAKE）、非快速眼动睡眠（NREMS）和快速眼动睡眠（REMS）之间。8 名受过训练的专家对转换的起始和持续时间进行了人工标注，以建立真实值并评估评分者间一致性。利用从稳定状态中提取的定量 EEG/EMG 特征（如频谱功率、复杂度、EMG 方差），训练支持向量机（SVM）分类器，以在独立测试动物中预测转换中点。

结果　专家之间的评分者间一致性为中等至较低水平，尤其是在 WAKE 向 NREMS 以及 NREMS 向 REMS 的转换中，这反映了人工评分固有的模糊性。时间分析显示，不同转换类型具有不同的动态特征；NREMS 向 REMS 的转换显著长于其他所有类型，而 REMS 向 NREMS 的转换最为突然。尽管人工评分存在变异性，仅基于稳定状态特征训练的 SVM 模型仍成功预测了由专家定义的转换中点。

结论　我们的方法不仅刻画了小鼠不同转换类型中可识别的动态特征，而且提供了一个可重复的框架，用于量化睡眠—觉醒转换，这对于研究觉醒稳定性及疾病相关损害至关重要。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.07.30.741729v1?rss=1

🏷️ 睡眠觉醒转换 脑电肌电 小鼠模型 机器学习分类 支持向量机 警觉状态