От стадий сна до детекции веретен: кейс-исследование сквозного автоматизированного анализа сна

Почему важны более быстрые исследования сна

Сонные тесты могут показать, как мозг ведёт себя ночью, давая подсказки о таких состояниях, как депрессия, биполярное расстройство и проблемы памяти. Тем не менее подробная разметка этих записей занимает так много времени, что многие исследования остаются небольшими и медленными. В этой статье задан простейший вопрос с крупными последствиями: могут ли компьютеры анализировать записи сна с такой же надёжностью, как эксперты‑люди, и делать это достаточно быстро, чтобы открыть доступ к гораздо большим исследованиям?

Заглядывая в ночь в лаборатории

В типичном исследовании сна человек проводит ночь в лаборатории, пока датчики регистрируют его мозговые волны, движения глаз и активность мышц. Позже обученные специалисты просматривают сигналы кусками по 30 секунд, чтобы пометить общие стадии сна, такие как лёгкий и глубокий сон. Поверх этого они также выделяют короткие события, например веретена сна — краткие вспышки активности мозга, связанные с обучением и здоровьем мозга. Авторы сосредоточились на двух ключевых вопросах: могут ли современные компьютерные модели точно присваивать стадии сна и затем достаточно хорошо находить веретена, чтобы проверять научные гипотезы о психических расстройствах?

Обучая машины «читать» мозговые волны

Команда использовала две современные модели глубокого обучения. Одна модель, названная RobustSleepNet, обрабатывает длинные отрезки записи мозговой активности и помечает каждый короткий сегмент как бодрствование или одну из нескольких стадий сна. Вторая модель, SUMOv2, анализирует участки лёгкого NREM‑сна и отмечает точные моменты появления веретен. Обе модели были обучены на больших ранее собранных наборах данных и никогда не видели записи пациентов с биполярным расстройством, использованные в этом кейсе, что делает проверку ближе к тому, как они будут работать в клиниках и научных проектах.

Сопоставление с экспертами и даже превзойти их

Чтобы оценить надёжность моделей, авторы сравнили их решения с решениями нескольких экспертов. В задачах стадирования сна метки компьютера совпадали с экспертными примерно так же, как и эксперты совпадали между собой, а в одном крупном наборе данных модель даже соответствовала групповому консенсусу лучше, чем обычная пара оценщиков. В задаче обнаружения веретен SUMOv2 достигал уровней согласия, укладывающихся в диапазон или превосходящих тот, что обычно наблюдается между людьми, и особенно хорошо работал при сравнении с объединённым консенсусом многих оценщиков. Эти проверки указывают на то, что автоматические инструменты функционируют на уровне экспертов, а не представляют собой грубую упрощённую замену.

Что модели показывают о биполярном расстройстве

Вооружившись этими автоматическими инструментами, исследователи переанализировали данные из предыдущей работы, сравнивавшей людей с биполярным расстройством и здоровых добровольцев. В оригинальном исследовании эксперт вручную помечал стадии сна и веретена в течение месяцев и обнаружил, что у пациентов с биполярным расстройством было меньше быстрых веретен в минуту лёгкого сна — закономерность, которая могла бы служить маркером болезни. Автоматизированный конвейер воспроизвёл это ключевое различие в плотности быстрых веретен между группами пациентов и контрольной группой, а также отразил более тонкие тенденции, например слегка более низкие частоты веретен у пациентов, хотя не все детали достигли статистической значимости в новом анализе.

Открывая путь к более масштабным и справедливым исследованиям сна

Хотя автоматические подсчёты и точные значения не совпадали с оригинальными экспертными результатами во всех деталях, общие закономерности были схожи, а производительность моделей была на уровне или лучше типичных разногласий между экспертами. Это говорит о том, что полностью автоматизированные конвейеры могут заменить ручную разметку при проверке некоторых научных вопросов, особенно тех, которые фокусируются на различиях между группами, а не на отдельных пациентах. Публикуя свой код и приватно‑ориентированный онлайн‑инструмент SomnoBot в свободном доступе, авторы стремятся помочь исследователям по всему миру быстро и последовательно анализировать записи сна, открывая дверь к более крупным исследованиям взаимосвязи нарушенного сна и здоровья мозга.

Цитирование: Grieger, N., Mehrkanoon, S., Ritter, P. et al. From sleep staging to spindle detection: a case study on end-to-end automated sleep analysis. Sci Rep 16, 16014 (2026). https://doi.org/10.1038/s41598-026-53891-9

Ключевые слова: анализ сна, ЭЭГ, веретена сна, биполярное расстройство, глубокое обучение