缺血性卒中患者睡眠分析的多导睡眠图（Polysomnography）数据集

为什么卒中后的睡眠值得关注

许多人知道睡眠重要，但很少有人意识到睡眠对大脑在受伤后恢复能力的深远影响。本研究介绍了 iSLEEPS，这是一个来自印度缺血性卒中康复患者的大型详尽过夜睡眠记录集合。通过免费提供这些数据，作者希望加速有关睡眠中呼吸问题如何影响卒中康复的发现，并帮助工程师构建能够自动解读睡眠检测结果的更智能工具。

卒中、呼吸障碍与缺失的一环

卒中是导致长期残疾的主要原因之一，而睡眠期间的呼吸问题——尤其是称为睡眠呼吸暂停的呼吸停止——在卒中幸存者中极为常见。这些呼吸紊乱可使再次卒中的风险翻倍，并与日常功能恢复较差有关。医生使用一种称为多导睡眠图的过夜检测来诊断这些问题，这种检测记录脑电、眼动和肌电活动、心律、呼吸和血氧水平。然而，尽管其重要性，来自卒中患者的大型公开记录数据集很少，尤其是在非西方国家。现有的公共数据库规模较小，关注对象多为非卒中人群，或缺乏研究睡眠与卒中相互作用所需的详细标注。

iSLEEPS 收藏包含的内容

iSLEEPS 数据集弥补了这一空白，收集了来自在过去一个月内发生缺血性卒中的成年人中在印度班加罗尔一家大型神经科学医院进行的100例过夜记录。每位参与者在过夜期间连接多种传感器，记录脑电、眼动、肌张力、心律、气流、胸腹运动、血氧水平、打鼾声音和体位。平均每次研究约持续八小时，总计接近800小时的数据。受过训练的评分员在睡眠专家的监督下以30秒为一个片段审阅记录，标注觉醒、浅睡、深睡或快速眼动（做梦）睡眠，并标记呼吸暂停、呼吸变浅、血氧下降和短暂觉醒等事件。

患者构成与他们的睡眠特征

参与者代表真实世界的卒中患者群体：诸如糖尿病、心脏病和肥胖等常见病况并未被排除。平均年龄略高于50岁，男性多于女性，反映出男性睡眠呼吸暂停风险更高的情况。对记录的分析显示，这组人群中睡眠期间的呼吸问题十分普遍。只有少数人呼吸正常，大多数人根据每小时睡眠中发生的呼吸中断次数被归入轻度、中度或重度呼吸暂停类别。数据集还对不同类型的事件进行了细致统计——例如阻塞性呼吸暂停（气道塌陷）、中枢性呼吸暂停（大脑短暂停止发出呼吸信号）和低通气（气流部分减少）——并记录了各严重程度下事件的发生频率。

用现代算法测试数据

为展示 iSLEEPS 的用途，研究人员训练了几种现代深度学习模型，从单通道脑电或眼动信号自动判定睡眠分期。他们比较了卷积网络、长短期记忆网络（LSTM）和基于变压器的模型，均旨在学习时间序列数据中的模式。这些算法在训练和测试时经过谨慎设计，确保同一名患者的数据不会同时出现在多个集内，并使用重复交叉验证评估性能。在这些方法中，LSTM 模型表现最佳，约能正确标注三分之二到四分之三的睡眠分期。然而，其结果明显弱于类似模型在健康志愿者上的表现，这强调了卒中会以目前自动系统尚未完全捕捉的方式改变睡眠。

为更好护理打开大门

通过将 iSLEEPS 作为一个公开且文档完善的数据集发布——包含匿名化的记录、详细的事件标注和基础临床信息——作者为科学家、临床医生和工程师提供了一个强大的新资源。研究人员可以利用它探讨受扰的睡眠与呼吸如何影响卒中康复、比较不同国家患者的情况，并构建和测试新的算法，未来可能实现即便在专门睡眠实验室之外也能自动筛查危险的呼吸问题。对患者和家庭而言，这项工作的终极承诺是更清晰的诊断和更及时的睡眠问题治疗，从而有望改善康复和生活质量。

引用: Maiti, S., Sharma, S.K., Mythirayee, S. et al. Polysomnography Dataset for Sleep Analysis in Ischemic Stroke Patients. Sci Data 13, 421 (2026). https://doi.org/10.1038/s41597-026-06747-w

关键词: 卒中, 睡眠呼吸暂停, 多导睡眠图, 睡眠数据集, 深度学习