小动物（如小鼠和大鼠）的硬膜外脑电图（EEG）和肌电图（EMG）记录对于研究睡眠-觉醒节律至关重要。

睡眠由不同的阶段组成，不同的阶段可以通过脑电和肌电活动的不同模式进行区分。

睡眠总体上可分为两个不同的阶段：快速眼动睡眠（REM Sleep）和非快速眼动睡眠（NREM Sleep)。

REM的特征表现为：快速/低压的脑电图、随机眼动和肌肉处在完全松弛的状态。

REM也被称为异相睡眠（Paradoxical Sleep），因其脑电活动的特征与清醒时相似，而身体却与大脑基本脱节，似乎处于深度睡眠的状态。

相比之下，在NREM中，运动神经元受到刺激，但没有眼动发生。

人类的NREM可分为3个阶段，即N1、N2和N3阶段，其中第3阶段被称为深度睡眠或慢波睡眠，其特征在脑电图中主要表现为大而慢的δ波（0.5-4 Hz）。

另一方面，因为小动物（如大鼠和小鼠）没有像人类那样有长时间的巩固睡眠期，所以其NREM的细分标准还并未确定。

研究团队在论文中展示了小鼠在NREM、REM和WAKE状态下10秒内典型的EEG、EMG波形图和谱线密度百分比：

· 在NREM睡眠中，EEG展示了以δ波段（0.5-4 Hz）为主的高振幅波；

· 而在WAKE状态下，EEG的波幅较低，没有典型波段主导；

· 同时，在NREM和REM状态下的EMG信号都弱于Wake状态下的EMG信号。

论文中还总结出使用EEG和EMG信号对小动物（大鼠和小鼠）进行睡眠分期的一般标准：

论文同时还指出，EEG/EMG信号的采集质量对于是否能进行准确的睡眠分期十分重要。

在EEG和FFT分析中，电极（螺丝）不稳固通常是电信号产生伪影的原因。

EEG信号的质量可以通过目测明显熟睡中的小鼠，是否具有高幅低频率的EEG信号来进行确认。

Lunion Stage脑电分析平台，利用迁移学习和深度学习的算法模型，解析EEG脑电、EMG肌电、加速度等信息，对每一微小片段的睡眠状态进行WAKE/NREM/REM自动判别。目前适用对象包括小鼠、大鼠和非人灵长类动物。

通过使用Lunion Stage 脑电分析平台，对小鼠数据进行高精度自动睡眠分期，我们可以更加快捷的得到清晰全面的参考信息。

全局图全面展示AI自动睡眠分期结果（WAKE/NREM/REM），EEG数据、EMG数据。EEG波形图和频谱热力图可以任意切换。

在进行人工校验睡眠状态时，放大目标区域的局部图和Epoch视图，配合每个Epoch的放大频谱热力图（Spectrogram）以及频带能量图（Bandpower)进行参考，分析判断睡眠状态。

· 将睡眠判读规则转变为算法模型，识别精度超过98%，摆脱规则依赖

· 置信度提示，大幅缩减核验时间，提高睡眠分期效率

· 睡眠状态变迁清晰呈现，轻松区分复杂睡眠阶段，降低分期难度

· 解决数据储存与管理难题，有序规范储存数据，形成良性管理，充分发挥数据价值

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。

“现实中，有的人善于隐藏自己的情感，表现出伪情绪。但脑电波不会“说谎”。这是因为情感的变化始终伴随着脑电波的变化及脑信息单元信息传递方式的变化，不同的情感对应不同的脑电波特征。”

——孙金玮 哈尔滨工业大学仪器科学与工程学院教授

人脑是自然界最复杂的系统之一，潜藏其间的人的心理情感和生理状态，如喜悦、兴奋、焦虑、抑郁、烦躁、恐惧及睡眠深度、疲劳感知程度等，难以得到清晰的把握。

近年来，依托于脑电波的脑功能网络分析法，已被用于研究认识大脑各个区域结构或功能连接，为破译大脑情感深层机理、探索人的内心世界提供了更多线索，成为目前情感识别及心理疏导的重要科研方向。

情感识别研究成果初露端倪

哈尔滨工业大学仪器科学与工程学院孙金玮教授和他的博士曹天傲、王启松等人完成的一项课题“二值情感脑功能网络的全局和节点属性”，通过研究头皮电极，从脑功能网络的节点属性中观察情感的变化，判断人的情绪，为人们客观、准确理解“喜怒哀乐”的心理变化夯实了理论基础，有望指导开发全新的可穿戴式脑电波情感检测产品，实时捕捉受试者的真情实感，在人机交互、临床医学与潜水、航天等领域具有重要的科研价值和应用前景。

现如今，无论是提升人机交互体验，诊断治疗抑郁症、精神病及其他心理疾病患者，还是监测、识别、评估普通员工或者航天员、飞行员、士兵等特殊人群的情感状态、心理原因所致的情绪或行为的异常受到了越来越高的关注。换句话说，心理健康关系着个人的职场生涯及工作的安全。孙金玮介绍，现实中，有的人善于隐藏自己的情感，表现出伪情绪。少数高智商犯罪分子往往能骗过问询及测谎仪等传统手段。不过，虽然语言和面部表情可以掩饰，但脑电波不会“说谎”。这是因为情感的变化始终伴随着脑电波的变化及脑信息单元信息传递方式的变化，不同的情感对应不同的脑电波特征。

通过脑电波可捕捉真情实感

“人类情感常被分解为愉悦度和唤醒度。前者表示个体情绪状态正负特性，表现为情感的积极或消极程度;后者显示个体的神经生理激活水平，体现为精神兴奋程度。根据此模型，不同程度的愉悦度和唤醒度叠加生成人类的喜怒哀惧。”曹天傲说，为了理解大脑的信息处理单元间是如何相互作用的，“人脑连接组学”的概念于2020年被提出，研究脑系统连接的科学则被称作连接组学。作为医学影像技术学新名词，脑连接组学的意思是采用多模态神经影像技术和网络分析方法，描绘活体人脑的结构和功能连接模式的学科。

曹天傲介绍，脑功能是由大脑神经元间相互作用涌现出的复杂模式，具体则是多个脑区在不同的时间—空间尺度上相互连接形成的复杂网络。采集并分析不同脑区空间的脑电信号，研究其时间上的相关性和同步关系，建立不同情绪状态下的功能脑网络的拓扑结构，现已逐渐发展为情绪识别的重要手段。

实时监测情绪波动现实意义大

孙金玮团队选取了常用的二值脑功能网络，分别基于相关性和相位同步性构建脑网络，节点直接选取头皮电极。他们首先深入观察了不同情感下的脑网络整体特性，将不同网络构建方法所得结果进行比对，发现不同定义的脑功能网络在全局属性变化上具有共同的特点;节点属性分析发现脑功能网络的节点属性能够反映情感的变化。具体说来，高愉悦度可增强脑信息传输，促进脑功能的分化和整合;但在情绪较高时，网络整体信息处理效率有可能变低。研究表明，情感对脑功能网络的影响在阿尔法波段比较突出。

专家评价指出，上述理工医相结合的科研成果丰富了脑网络分析法，为情绪监测提供了一种客观有效的评价技术，有助于推动解决复杂模式的认知研究。医生可以准确判断抑郁症患者的愉悦兴奋状态，并制定最佳治疗方案。普通员工的情感被获知后，后续工作方案可以灵活修正，保证效益最大化。而航天员、飞行员、公交车驾驶员等特殊人群的情绪波动如能被实时监测，就能得到及时的心理疏导和调理，使其以更积极稳健的心态完成任务和工作。(通讯员 衣晓峰 本报记者 李丽云)

使用神经生理学数据重建大脑连接组的研究使用两种内在耦合模式：包络耦合和相位耦合。这两种不同的耦合模式似乎在其谱和空间特征，动力学，机制以及功能上都有差异。评估脑信号的振幅包络被用来探测健康个体大脑中不同频段的长期时间相关性(LRTC)，也有研究显示LRTC在精神疾病、阿尔茨海默病和癫痫中的病理性改变。使用beta LRTC结合alpha振幅分类枕叶意识状态和无意识状态时，其准确率可达80%。相位耦合模式也被用来表示不同的意识状态，或预测恢复。

尽管整个大脑功能连接（FC）模式可以使我们深入理解意识的神经相关，但对于哪种耦合模式最适合识别意识的神经相关，人们一直缺乏共识。因此,本研究旨在对比两个常用FC指标——基于包络(即振幅包络相关、AEC)和基于相位(即wPLI)——在相同的源定位数据集中，分类麻醉药诱导的不同意识状态中的作用。

本研究是重建意识和认知(识别)研究的一个子集，该研究由密歇根大学医学院进行，并得到了机构审查委员会的批准。 所有参与者在实验开始前都要提供书面的知情同意书。完整的方案可以在之前的出版物中找到。

这项研究包括9名健康志愿者(5名男性;24.4±1.0岁)，招募自密歇根大学。

纳入标准：1.ASA 1级或2级；2.体重指数低于30；3.气道分级为1级或2级；4.没有其他预测困难气道的因素。

排除标准：1.怀孕、反应性气道疾病、胃食管反流、心脏传导阻滞、哮喘、癫痫、阻塞性睡眠呼吸暂停病史、神经或精神疾病、麻醉意外家族史；2.任何目前或过去使用过的精神药物或非法药物。

至少有两名训练有素的麻醉医生参与麻醉方案。

使用面罩对受试者进行预充氧，在15分钟的时间内静脉输注异丙酚以进行缓慢麻醉诱导(分别为100μg/kg/min、200μg/kg/min和300μg/kg/min)。 在给予异丙酚15分钟后，通过喉罩吸入年龄调整后1.3MAC的异氟醚并持续3小时。期间苯肾上腺素按需滴定以维持血压。停止异氟醚前30分钟，给予4 mg恩丹司琼以防止恶心。

在整个实验过程中，受试者的运动反应是通过一个听觉循环来评估的，这个听觉循环指示他们握拳自己的左手/右手每30秒两次，左右是随机的。

在整个麻醉过程中，脑电图数据以500Hz频率采集，完成后，在EEGlab对数据进行预处理。之前的研究已显示麻醉诱导无意识中alpha波段变化的证据。因此，基于之前的证据，本研究选取alpha波段，将信号滤过至8-13Hz范围。

麻醉方案和脑电图数据时段的时间线。矩形代表五个5分钟EEG采集时段，从中使用基于包络和相位的功能连通性指标构建功能网络。蓝色矩形代表反应的时段，而橙色矩形代表无反应的时段。

实验过程中，选取5个状态连续记录5分钟的脑电图，其中一些状态反映了麻醉诱导的意识转换(图1)。(1)基线：在麻醉给药前记录; (2)轻度镇静: 以100μg/kg/min稳定输注速度输注异丙酚后的首个5分钟，在此期间受试者有行为反应; (3)无意识:所有麻醉药停止后的前5分钟(即3小时手术水平麻醉结束)，在此期间所有受试者保持无反应，但大脑开始向意识恢复过渡; (4)意识恢复（ROC）前（pre-ROC）: 最后5分钟的无反应时间，即ROC之前5分钟，反映了大脑向意识恢复过渡的结束; (5)恢复期，ROC后180 min进行记录。在所有的实验状态中，参与者被要求闭上眼睛保持平静。

预处理后的脑电图数据导入Brainstorm分析软件进行源估计。所有分析时段均用于生成数据协方差矩阵，而单位矩阵则用作噪声协方差矩阵。

4.2基于包络的连通性:振幅包络相关（AEC）

在所有参与者各种实验状态下，通过对源定位脑电图进行希尔伯特变换在10秒内生成振幅包络。为了计算每个实验状态下的AEC,以 10秒的窗口在整个信号上以1秒的步长移动。为了可视化每个实验状态的AEC矩阵，将所有个体状态的AEC平均。

4.3基于相位的连接性:加权相位滞后指数（wPLI）

与AEC类似的是，加权相位滞后指数也以10秒的时间窗计算，5分钟的状态移动步长为1秒，因此每个实验状态都有一个FC矩阵的时间序列。加权相位滞后指数的全局连通性被计算为每个感兴趣脑区（ROI）到AAL图谱中定义的其他大脑区域的平均连通性，并对每个实验状态进行计算。

5.机器学习分析：通过特征提取和模型选择再进行分类

为了研究AEC和wPLI FC在区分基线和其他实验状态中的作用，本文使用前面选择的特征参数实现了四种不同的分类器。训练了两个额外的分类模型:一个用于区分无意识(“深度”无意识)和pre-ROC(“轻度”无意识);另一个用于区分反应性(基线、轻度镇静和恢复)和无反应性(无意识和pre-ROC)。所有6个分类器分别在3组数据上进行训练:1)单独的AEC特征;2) 单独wPLI特征;3) wPLI和AEC特征相结合。此外，所有模型都是使用留一法（LOSO）交叉验证实现的。每个模型性能通过9次LOSO重复而得到的平均值进行评估。

使用置换检验评估分类器性能的统计意义。在置换检验中，分类器性能使用LOSO交叉验证进行评估。对训练和测试数据的标签进行随机排列，并使用排列后的数据集评估分类准确性。这个过程被重复了10,000次，以创建一个随机精度的零分布。如果大于所有10,000个置换精度，真实分类器的准确性被认为在p

1.基于包络和相位的连通性在意识状态之间产生了不同的整体连通性模式

连接模式以及参与整体连通的脑区，在基于包络和相位的FC测量中有所不同(图2、图3)。AEC在无意识时段产生了最强的网络连接，而wPLI连接则在意识完全时期(即基线和恢复)是最强的。

AEC:在意识完全时段(即基线和恢复阶段)，AEC整体上显示出较弱的连通性，其中最强的是位于中央和颞叶脑区。在轻度镇静状态下，顶叶和枕叶的连通性显著增加，这一现象在无意识状态下进一步增强，表明大脑的连通性增强。Pre-ROC的特征是整体连通性下降，最显著的是顶叶、颞叶和枕叶区域。

wPLI:在意识完全时段(即基线和恢复期)，wPLI在颞、顶叶和枕叶显示出最强的连通性。在轻度镇静期间，整体连通性略有下降，枕叶仍然保持最强连接。无意识时期的标志是左半球额叶和中央连接的增加，以及沿中线和颞下回的增加。在所有的实验状态中，pre-ROC显示出所有ROI中最弱的连通性。在AEC和wPLI两种状态中，ROI连接强度在半球间存在差异。

图2. 不同意识状态下82个皮层兴趣区域（ROI）之间的alpha频段平均连接矩阵

连接矩阵取所有参与者每个实验状态以及每个指标(即振幅包络相关(AEC)和加权相位滞后指数(wPLI))的平均值。红色代表连接强度较高，而蓝色代表连接强度较低。右(R)和左(L)半球都在每个矩阵中有标注。

图3.不同意识状态下82个感兴趣的皮层脑区间，Alpha频段中源定位整体连通性地形图

为了比较和对比不同意识状态下振幅包络相关（AEC）和加权相位滞后指数（wPLI）的连接性模式，在根据AAL图谱划分的大脑82个脑区显示了每个5分钟时段的AEC和wPLI的组水平平均值。对于每个时间点和每个指标，相同的地形图在两个不同的视图中描述：轴向俯视图（左）和左半球矢状视图（右）。每个ROI与AAL图谱中定义的大脑其他区域的平均连通性用颜色表示：红色代表较高的连通性强度，而蓝色代表较低的连通性强度。

2. 在麻醉诱导的无意识状态中，AEC比wPLI具有更高的分类准确度

2.1不同意识状态分类准确度的差异

[95% CI: 47.1-52.4%])。置换分析显示，wPLI准确性在轻度镇静和恢复时段并不比概率高，而这两种状态受试者都是存在反应的。

尽管AEC对无意识的分类准确度显著高于pre-ROC(p

比较分类准确度的机器学习结果，连接度量方法(A)和每个受试者(B, C): A) 轻度镇静、无意识、pre-ROC和恢复期的振幅包络相关(AEC)和加权相位滞后指数(wPLI) 的分类准确度;B)每个受试者无意识时期的分类准确度，AEC(浅蓝色)和wPLI(深蓝色);C)pre-ROC的个体分类准确度，AEC(浅蓝色)和wPLI(深蓝色);D)AEC(红色)和wPLI(蓝色)在分类无意识和pre-ROC中不同皮层感兴趣区的作用;根据特征均值(上)和标准差(下)。图示轴向俯视图和左半球中矢状面视图。

2.2.意识状态分类准确度的个体间差异

如图4B和4C所示，AEC和wPLI的分类准确度在个体间和个体内存在较高的差异。在无意识状态下，AEC的个体间分类准确率在71.6%到96.4%之间，而wPLI的个体间分类准确率在45.1%到89.7%之间。而在pre-ROC，AEC分类的准确率在36.8% - 88.7%之间，wPLI在47.7% - 87.6%之间。个体内分类准确度的差异也是高度可变的。在单个个体（单个受试者）中，无意识状态下，wPLI和AEC的分类准确率差异高达26.2%，在pre-ROC状态下差异也高达10.9%。

图5.AEC与wPLI分类“深”与“浅”无意识

区分无意识（“深度”无意识）和pre-ROC（“浅”无意识）的模型中，振幅包络相关（AEC）和加权相位滞后指数（wPLI）的分类准确度。B：根据特征平均值（上）、标准偏差（下），AEC（红色）和wPLI（蓝色）分类无意识和pre-ROC时，在各种感兴趣皮层区的作用程度。图示为轴向俯视图和左半球中矢状面视图。

参与无意识和pre-ROC分类的脑区在AEC和wPLI之间存在差异(图5B)。标准化均值和标准差都有助于意识状态的分类。在无意识状态下，与AEC分类最相关的脑区在整个大脑中分布相当分散，而与wPLI连通性分类相关的那些脑区主要位于后部如果是基于其平均值，或是前部如果是基于其标准差。在pre-ROC，参与AEC分类的ROIs也分散在整个大脑；相反，在wPLI分类中，当基于平均值时那些参与分类的主要位于后部脑区，当基于标准差时则在额叶，颞叶和顶叶。在这两种情况下，每个ROI对分类的作用在半球之间存在重要差异。这在AEC中尤为明显，其分类准确性在很大程度上依赖于右半球，尤其是额叶和中央ROIs。虽然这两个指标使用相同的信号预测了相同的状态，但这些结果表明，对意识状态分类中这两个指标来自不同的脑区。

3.AEC比wPLI更能区分无意识的不同深度

AEC和wPLI中参与分类无意识时段和pre-ROC时段的脑区是不同的(图5B)。在这个模型中，参与AEC分类的脑区分布在整个大脑中，并且在大脑半球之间存在显著差异。尽管参与wPLI分类的ROI也显示出半球差异，但参与wPLI分类的基于均值ROI主要位于中央和后部，而那些参与wPLI分类的基于标准差ROI主要位于前部。

A:振幅包络相关(AEC)和加权相位滞后指数(wPLI)在区分反应性模型(即基线，轻度镇静，恢复)和无反应(即无意识，pre-ROC)。B:不同皮质区在分类反应和无反应中的作用程度

用AEC(红色)和wPLI(蓝色)表示反应性和无反应性，并根据特征均值(上)和标准差(下)表示。图示左半球轴向俯视图和中矢状面视图。

4.AEC比wPLI更能区分反应性和无反应性

参与反应与无反应分类的脑区在AEC和wPLI之间也存在差异(图6B)。参与AEC分类的脑区分布相当分散，而参与wPLI分类的脑区主要位于后部基于其平均值，而基于标准差则位于前部，尽管并非完全如此。

在这项研究中，直接比较了基于包络和基于相位的FC指标、即AEC和wPLI构建的源定位脑网络，使用了多个麻醉诱导无意识状态的EEG数据集。结果表明，AEC和wPLI构建了不同意识状态下不同的整体alpha波段连接模式，并在意识状态的变化中构建了不同的功能网络且对大脑的功能重组进行差异化定义。然而，在意识状态和反应状态的对比变化中，基于包络的AEC成为这两个指标中的优势指标。

虽然AEC的总体分类结果准确率较高，但此两种FC指标的预测能力仍存在显著的个体差异。目前研究中尚未具有针对每个个体意识状态分类而设计的分类器，因此未来在单个个体中研究意识连通性需要考虑多种耦合模式来确定最适合定义个体自身意识状态变化的指标。

本研究还存在几个局限性。

1.参与研究的人数相对较少（n=9）。本文通过应用single-epoch机器学习方法来解决这一局限性，采取在所有参与者中分离所有数据段（n=5076），并通过应用LOSO方法来控制由于受试者特质而产生的偏差，从而确保分类器不会对其随后分类的数据进行训练。

2.使用基于相位（即wPLI）和基于包络（即AEC）连接性的单一指标来评估这些功能耦合在意识状态分类中的性能。在这两种指标中，还有大量其他指标可供选择；本文结果可能会因为选择了一个不适合评估意识的连接性指标而产生偏差。

3.无意识是由麻醉药物诱导的，因此观察到的连通性变化可能是麻醉药物的作用，而不是意识本身的状态。

4.不同的药物用于麻醉诱导和维持可能对脑电图产生不同的影响。所得结果需要未来在不同意识状态的研究中得到证实，如睡眠、意识障碍或使用其他全麻药物。

5.此次研究中使用的机器学习算法具有一定局限性，具有足够大数据集的更复杂算法将会更好，缺点是其决策边界将难以解释。

6.分类准确率是根据五种实验状态下正确标记的时间步长百分比来估计的。因此，这种方法没有考虑到每个状态内的时间变异性，这些变异包含了关于意识状态改变中FC动力学的丰富信息，包括睡眠和药物诱导的无意识。此外轻度镇静、无意识和pre-ROC状态可能是麻醉剂效应室浓度逐渐变化的时期。因此，在5分钟内平均FC指标会妨碍识别这些时期内FC的细微变化。

7.机器学习的特征由AEC和wPLI连通性矩阵中所有列的平均值和标准差所定义。因此，对结果的解释仅限于假设一个ROI与整个大脑的连通性，而不是两个不同ROI之间的连通性。还需要进一步研究，以便在一个更精细的特征空间（包含所有可能的单独连接）上研究FC。

8.本文结果适用于在不同意识状态使用alpha波段源定位数据，可能不适用于其他频带、范式、任务或状态。未来的方向应该是，评估基于包络和相位连通性对其他类型大脑分析的作用。

在构建功能性大脑网络时使用的连接类型对意识研究具有重要意义。本文是第一项直接比较不同意识状态下基于包络和相位的FC研究。使用多种麻醉药物诱导健康成年人无意识状态而收集到相同源定位EEG数据集，该研究表明，alpha波段的AEC和wPLI在整体连通性、预测能力以及具有最高预测能力的脑区都是不同的。特别是发现AEC在区分不同深度的麻醉诱导无意识时，以及区分反应性和无反应性状态时，在不同意识状态的分类上均优于wPLI。AEC和wPLI会表现出不同的连接模式，并由不同的脑区进行分类。总的来说，研究表明为构建功能性大脑网络而选择的连接性度量类别可能会极大地影响所评估意识状态的连接性变化以及这些变化最明显的时间。未来FC研究的目的是弥补基于包络和相位的耦合模式在方法上的差距，并需要考虑扩展其解析工具集、进行波形包络和相位的多方面分析，以优化脑功能动力学的特征和解释。