睡眠期间意识体验的神经特征：一项采用高密度脑电图的连续唤醒研究

识别意识的神经标志仍然是神经科学中的一项核心挑战。睡眠为比较主观体验存在或缺失情况下的大脑活动提供了一个易于处理的模型，同时可将行为反应性这一混杂因素降至最低。我们采用整夜256电极高密度EEG，对140名参与者使用连续唤醒范式进行研究，分析了699次非快速眼动（NREM）睡眠第2期和第3期的唤醒数据（351次有梦体验，348次无体验）。觉醒前60秒所提取的特征包括区域频谱功率、滞后相干连接性、图论指标以及伽马/阿尔法功率比。有梦体验与后部频谱平衡的变化相关，尤其表现为阿尔法和德尔塔功率降低，以及与伽马相关的测量指标升高，同时伴随大尺度网络组织的改变。在基于参与者水平交叉验证的机器学习分析中，所有分类器的表现均高于随机水平，其中最佳集成模型的ROC-AUC达到0.80，平均精度为0.80。这些发现揭示了NREM睡眠期间意识状态中可重复的后部电生理学和网络层面的特征标志。

识别意识的神经标志仍然是神经科学中的核心挑战。睡眠为比较主观体验存在或缺失状态下的大脑活动提供了一个可处理的模型，同时能够尽量减少行为反应性的混杂因素。我们采用夜间256电极高密度脑电图（EEG）记录，对140名参与者使用序列式唤醒范式，分析了699次非快速眼动（NREM）睡眠2期和3期中的唤醒数据（351次有梦体验，348次无体验）。对唤醒前60秒的特征分析包括区域频谱功率、滞后相干连接性、图论指标以及伽马/阿尔法功率比。梦体验与后部脑区频谱平衡的变化相关，尤其表现为阿尔法和德尔塔功率降低，以及伽马相关指标升高，同时伴随大尺度网络组织的改变。在以参与者为单位的交叉验证机器学习分析中，所有分类器的表现均高于随机水平，其中最佳集成模型的ROC-AUC达到0.80，平均精确率为0.80。这些发现揭示了NREM睡眠期间意识状态中可重复的后部电生理及网络层面的特征标志。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.16.745040v1?rss=1

🏷️ 睡眠意识 高密度脑电图 NREM睡眠 神经标志物 脑网络 机器学习分类