单导联心电能否实现连续睡眠深度刻画与数字生物标志物？

连续深度评分取代五个分期标签

常规睡眠评分把每个30秒片段归入五个标签之一：Wake、N1、N2、N3或REM。这种划分很粗。两个都被评为N2的片段，可能处在进入或离开深睡的不同位置，而标签把这种移动掩盖了。论文的前提是：睡眠深度更适合当作连续谱处理，而且这个连续谱可以从心脏电信号而非脑电波估计出来。

ECG-SDI就是这一估计。对每个30秒心电片段，模型输出一个标量深度值，随后在每份记录内用参考Wake和非REM片段的第5和第95百分位数归一化到0–1。数值越高表示睡眠越深。由于归一化除模型输出外还使用了参考分期标签，所报告的尺度是研究用构造，而不是无需标签的临床读数。

模型是一个两阶段网络。卷积编码器把每个片段的心电连同39个手工构造的频域与时频域特征转成表示；Transformer再读取15个片段的窗口，使每个片段结合前后文被评分。睡眠分期预训练完成后，主干被冻结，另训练两个新输出头：一个做REM分类，一个做连续深度估计。监督信号来自普通分期标签，以REM交叉熵加上Wake与非REM阶段之间的成对排序损失组合而成。不需要人工标注的连续深度目标。

深度排序在独立队列中依然成立

核心验证指标是原始深度评分与有序Wake/N1/N2/N3标签之间的Spearman相关系数，REM被排除，因为REM位于清醒与深睡之间，而不在排序的一端。在由SHHS、MESA和MrOS组成的合并内部测试集中，该相关系数为0.828；REM分类AUROC达到0.954。

各队列结果比合并数字波动更大：内部SHHS为0.730，MESA为0.797，MrOS为0.882，REM AUROC分别为0.908、0.934和0.987。从未用于训练或参数选择的外部Cleveland Family Study达到0.848和0.977。表现最弱的是滨州CPAP队列，治疗前为0.456、治疗后为0.546，REM AUROC分别为0.803和0.830。

这一差距对解读很重要。内部和CFS的高数值说明心电在这些队列中编码阶段顺序的能力；BZ-CPAP的数值则显示同一模型迁移到临床治疗队列时并不那么干净。论文报告的分阶段分布符合生理预期：Wake最低，数值从N1到N3逐步升高，N3最高，REM处于中间——但论文也指出，SHHS和MESA的Wake分布上尾异常宽，延伸到相对较高的深度值，作者只谨慎地将其部分归因于这些队列的心血管负担。

阶段内变化直接体现在心电信号中

该指数捕捉到分期标签遗漏的信息，这一主张依据的是CFS的片段级示例。在一名参与者的N1片段中，ECG-SDI值0.08、0.36和0.46分别对应心率98、86和79次/分；在另一名参与者的N2片段中，0.30、0.59和0.80分别对应91、75和69次/分。在这些非REM示例中，更深的评分伴随更慢的心率。

REM示例打破了这一模式：0.32、0.46和0.56分别对应64、73和58次/分，心率并未随深度升高而单调下降。作者据此认为，ECG-SDI不是简单的心率倒数尺度，它反映的是依赖睡眠阶段的自主神经调节，而不是单一心脏变量。

整夜轨迹在更大尺度上说明同一点。在一份低AHI的CFS记录中（总睡眠时间406.0分钟，睡眠效率81%，AHI 4.88次/小时），深度在N3期间反复接近其范围上限，并在同一分期区间内波动；其归一化深度曲线下面积为0.59。一份OSA记录（303.0分钟，效率53%，AHI 40.19次/小时）则出现更持续的低深度区间和反复中断，面积为0.38。这些是选自特定记录的描述性示例，不是全队列的量化比较。

紊乱表型与睡眠质量和死亡率相关

每夜的深度轨迹被汇总为八个生物标志物：累积深度面积、低于0.2和低于0.3的浅睡负担、变异系数、偏度、近似熵、去趋势波动分析、平均REM深度和REM比例。研究在SHHS、CFS和MrOS中分别拟合双成分高斯混合模型，并把平均呼吸暂停低通气指数更高的成分定义为紊乱亚型。

区分两个聚类的特征因队列而异。在SHHS中，紊乱亚型表现出更高的浅睡负担和整夜变异性（Cohen's d = 2.00和2.05），以及更低的累积深度（d = −1.15）；在CFS中，分离度最大的是近似熵（d = 1.71），该指标在MrOS的紊乱亚型中也更高。尽管存在这种异质性，紊乱亚型在三个队列中睡眠效率都更低，并且在调整年龄、BMI、性别、睡眠效率和入睡潜伏期后，与更差的主观睡眠质量相关——在已报告数值中，SHHS的调整比值比为1.33（95% CI 1.18–1.52）。

结局结果需要谨慎阅读。在SHHS中，紊乱亚型在调整包括AHI和总睡眠时间后，与更高的全因死亡率相关：风险比1.20（95% CI 1.05–1.38）。这是一个队列中聚类归属与死亡率之间的关联，不能证明深度谱导致该风险，而且置信区间下限接近1。

配对CPAP记录使深度朝预期方向移动

检验该指数是否追踪真实变化的最有力方式，是看睡眠改善时它是否随之移动。在BZ-CPAP中，507名参与者在持续气道正压治疗前后各接受一次多导睡眠监测，共1,014份配对记录，以参与者为分析单位。治疗后，归一化睡眠深度面积上升6.1%，低于0.3的浅睡负担下降16.0%——这是队列均值的相对变化，不同于绝对点值变化。

在固定分期内部，变化虽小但确实存在：在两次就诊均至少有10分钟N2的参与者中，N2内平均ECG-SDI增加0.017（95% CI 0.004–0.030；配对t检验P = 0.013）。这是论文最清楚地展示该指数能在常规评分视为未变的阶段类别内部响应变化。

探索性分析把这些变化与标准PSG结局联系起来。近似熵的下降与氧减指数下降相关（Spearman rho = 0.24），深度变异性的下降与睡眠效率提升相关（rho = 0.12）。两个关联在调整后仍为正，在同时调整基线生物标志物的模型中，标准化系数分别为0.068（95% CI 0.028–0.108）和0.190（95% CI 0.079–0.301），每个模型纳入395名配对参与者。作者称这些幅度为中等，并明确不把这些指标视为可互换。

居家流程只是演示，尚未验证

研究把采用改良Lead II配置的胸戴式单导联心电设备连接到智能手机界面，采集到的信号经过训练好的模型和生物标志物模块，生成整夜深度轨迹以及面积、REM比例、浅睡负担和变异性等汇总字段。这说明从采集到报告的链条可以搭建起来。

但这并不说明该链条在居家环境中有效。论文指出，展示的界面、轨迹和数值均为示意，未进行居家准确性分析，也未验证个体治疗获益分类。研究分析本身使用的是带PSG标签的多导睡眠记录，用于归一化和REM相关生物标志物，因此所展示的准确性属于该场景。

设计还带来两个边界。模型完全由常规分期标签监督，因此继承了这些标签所编码的内容及其评分者间变异；论文把连续指数定位为分期的补充，而不是经独立生理参考验证的替代品。死亡率和生活质量发现来自公共队列的横断面表型分析，而治疗响应证据来自另一个临床队列——两条线索支持不同的主张。

深度面积与浅睡负担是最值得关注的指标

如果有一个结果能指导如何阅读这篇论文，那就是累积深度面积与浅睡负担的组合。CPAP治疗后二者朝相反方向移动——面积上升6.1%，低于0.3的负担下降16.0%——而在SHHS中，它们连同整夜变异性也是区分紊乱亚型最明显的特征。相比之下，REM比例和平均REM深度在公共队列实现中依赖参考PSG标签，这使它们较难迁移到无标签的可穿戴场景。

因此，证据支持的实践优先级很窄：ECG-SDI是重复、低负担追踪睡眠连续性的候选工具，最值得跟踪的轨迹汇总是深度面积和浅睡负担；而BZ-CPAP的相关系数0.456提醒人们，迁移到新的临床队列并非自动成立。要把它变成居家监测，还需要概念验证未进行的准确性分析。

本文引用的文献