昨晚你睡得好嗎？
一個良好的睡眠會讓我們更加輕松地開啟嶄新的一天。越來越多的人都開始關注自己的睡眠狀況，并想要尋求更加科學且便捷的評估方法。迄今為止，有多種評估睡眠質量的方法，但多是需要去到專業的醫療機構，使用復雜的設備儀器進行全方面的測評。
那么，是否有對家庭或個人而言更加簡單便捷的睡眠質量評估工具，以方便我們在日常監測睡眠質量呢？
一項由成都醫學院公共衛生學院、成都市第五人民醫院心身內科等多家醫院研究所共同參與的研究，就將睡眠質量研究中最常見的腦電數據(EEG)與面部表情、睡眠行為相結合進行探究，為睡眠質量的評估方法帶來新的思考路徑(Cao et al.，2023)。
睡覺很簡單，但質量很重要
睡眠對人體非常重要，它是身體的一個活躍過程，有助于恢復精神，緩解疲勞。睡眠不足會影響大腦的記憶能力。
隨著社會競爭壓力的增大，人們的睡眠質量迅速下降，睡眠剝奪帶來的各種健康挑戰或健康風險可能逐漸發生，比如多種急慢性疾病、心血管疾病和腦神經系統疾病等。一項美國調查顯示，夜間睡眠質量低的人群中，有38%主要是因為抑郁和焦慮。此外，家庭壓力、工作焦慮和經濟壓力也會導致睡眠障礙。
睡眠質量差是一種相對常見的影響內分泌、免疫和神經系統的疾病，對睡眠質量的重要性及其與發病率關系的值得關注與討論。
如何評估睡眠質量？
目前臨床上主要的睡眠質量評估工具包括多種，如多導睡眠監測 (PSG)、腦電圖(EEG)、量表測評等。
多導睡眠監測是臨床指南推薦的一種基本睡眠障礙檢測方法。利用各睡眠時段PSG的變化規律，對評估睡眠質量和識別睡眠障礙具有基礎性作用。但多導睡眠監護儀價格昂貴，操作復雜，不適合家庭使用。
測量睡眠質量的量表雖然也有很多，且具有良好的信效度，但仍存在主觀性較強，缺乏具體的、可量化的、客觀有效的評價指標等問題，難以應對更加深入的研究。
因此，研究簡單便捷的睡眠質量評估工具對于家庭或個人監測睡眠質量，從而改善睡眠質量，促進身體健康至關重要。
睡眠行為，反映更真實的睡眠狀態
人體的基本運動是在大腦皮層的統一控制下完成的。過度的睡眠運動和行為被認為是由大腦皮層的興奮或活動引起的，這也可能導致深度睡眠時間的相對減少。
過往研究中，睡眠行為主要以睡眠習慣和睡眠姿勢劃分，未對睡眠過程中自發的身體行為進行分類分析。監測睡眠行為的內容包括身體運動和肌肉震顫等，數據采集主要基于多導睡眠監測 (PSG)，通過佩戴儀器進行，但這也存在睡眠過程中因佩戴儀器產生不適的問題；此外，環境變化也容易引起應激反應，測量數據可能與頻繁睡眠狀態不一致。
而通過攝像頭收集與睡眠行為相關的數據則可以更好地反映真實的睡眠狀態。
因此，本研究使用了基于行為監測與分析的專業行為學研究軟件：行為觀察記錄系統 (The Observer XT) 和面部表情分析系統（FaceReader），以更好地分析人體在睡眠過程中的自發行為，探索睡眠腦電圖數據、睡眠行為和面部表情之間的關系的目標，分析開發客觀反映睡眠質量評價系統的可行性。
實驗過程
研究為個案研究，以三個標準選取被試：
(1)睡眠規律(匹茲堡睡眠質量指數評分<7);
(2)無心血管、呼吸、神經系統疾病、精神障礙、睡眠障礙病史;
(3)不吸煙、不酗酒
最終選取1名28歲本科女性被試，在一周的正常睡眠后進行實驗測試。采集其7 小時(00:00-07:00)睡眠時的睡眠行為、面部表情以及睡眠EEG數據。
實驗室設置：
睡眠實驗室被設置在28℉，以確保被試不會因為溫度不適而遮蓋自己的身體和面部。
安裝三角紅外攝像機，分別從上方、左側和右側記錄面部表情。根據以往的數據分析經驗，攝像機放置在距離面部約35cm的位置，以確保面部表情記錄清晰完整。
腦電圖檢測與分析：
腦電數據主要采集符合美國睡眠醫學學會（AASM）標準要求的以下通道：F3、F4、C3、C4、 O1、O2；并從睡眠數據中提取特征波，形成地形圖。EEG特征波為δ (0-4 Hz)、θ (4-8 Hz)、α(8-13 Hz)、β (13 - 30 Hz)和γ(30 - 50 Hz)。
睡眠行為監測編碼：
利用行為觀察記錄分析系統(The Observer XT) 對睡眠中發生的行為進行行為編碼分析，將睡眠行為分為7種，包括面部運動、左手運動、右手運動、身體運動、頭部運動、其他運動以及行為的總數。
面部表情追蹤分析：
所有的視頻被分割成片段，每個片段持續30分鐘，并將三個角度的面部表情視頻進行整合。使用面部表情分析系統 (FaceReader) 分析睡眠時的面部表情。系統自動對面部動作單元（AU）進行編碼，確定面部表情情緒的頻率和強度，對快樂、悲傷、憤怒、厭惡、害怕、驚訝和中性表情進行分析。
結果分析
面部表情&睡眠行為結果分析：
圖1
圖2
分析每30min出現快樂、悲傷、憤怒、厭惡、害怕、驚訝和中性表情的比例，分析面部動作、左手動作、右手動作、身體動作、頭部動作、其他動作的次數和行為的總數。
如圖1、圖2結果發現，左手和右手的行為次數在前1-2h達到高峰，驚訝表情的比例最高。第3小時睡眠行為頻率下降，中性表情所占比例最大。在3-4h時，睡眠行為頻率呈斷崖式下降，中性表情比例最高。在5-6小時，睡眠行為次數減少，沒有記錄到各種面部表情。
腦電（EEG）結果分析：
α波呈先增強后減弱的趨勢，δ波呈負增強的趨勢，β波呈增強后負增強的趨勢，γ波呈負增強的趨勢。θ波先是正增強，后為負增強。明顯的結果是在睡醒前1 h，各波段均呈現正增強趨勢。
相關分析：
在本研究中，不同腦電波的平均功率強度隨入睡時間的變化而變化，并與面部表情相關。
表1
在α波段，F3, F4, O1, O2通道的功率變化與悲傷表情呈正相關，這可能是由于睡眠質量差的原因；F3, C3, O1, O2通道的功率變化與恐懼表情呈正相關，如表1所示。這也驗證了過往研究的結果，即在悲傷情緒下的刺激可以導致大腦中央區域的α波能量增加（Criado et al., 2021）。
表2
表3
F3通道通常位于額葉，主要參與運動和高級心理功能，在多個波段均發現其功率變化與面部表情的相關。
在θ波段，F3通道功率變化與悲傷表情呈正相關，如表2所示。
在β波段，F3通道功率變化與中性表情呈負相關，與悲傷表情、驚訝表情呈正相關，如表3所示。而先前研究結果表明，β波調節中性和情緒化的表情，θ波段調節快樂和悲傷的表情(Yan et al., 2018)，這可能解釋了β波、θ波與這些表情相關的原因。
表4
在δ波段，F3通道功率變化與悲傷表情呈正相關，如表4所示。
在γ波段，F3通道功率變化與面部表情無相關性。
結論
綜上可見，睡眠期間各波段腦電圖平均功率上下波動，睡眠行為在3-4h出現頻率較低，中性面部表情在3-4h出現頻率最高。不同通道下各波段的變化與面部表情相關(p < 0.05)。
這表明了睡眠過程中睡眠EEG數據、睡眠行為和睡眠面部表情的變化，并發現睡眠EEG數據與睡眠面部表情之間的相關性。
或許，在未來的睡眠研究應用中，可以增加對面部表情的關注，實現針對家庭或個人而言對睡眠質量更加簡單便捷的日常監測。
參考文獻
Cao, Q., Ma, Z., Liu, F., Wang, Y., Weng, X., & Xu, F. (2023). Correlation analysis between EEG data and facial expressions and sleep behaviors. Brain-Apparatus Communication: A Journal of Bacomics, 2(1), 2208167.
Criado, J. R., Gizer, I. R., Slutske, W. S., Phillips, E., & Ehlers, C. L. (2012). Event-related oscillations to affective stimuli: heritability, linkage and relationship to externalizing disorders. Journal of psychiatric research, 46(2), 256-263.
Yan, T., Dong, X., Mu, N., Liu, T., Chen, D., Deng, L., ... & Zhao, L. (2018). Positive classification advantage: tracing the time course based on brain oscillation. Frontiers in human neuroscience, 11, 659.
關注諾達思公眾號，聯系我們獲取更多產品信息及學術文章！
從面部表情是否能看出自己睡眠質量如何？
更新時間：2023-11-07 點擊次數：461次
上一篇 : 微表情識別系統在心理健康領域的應用前景 下一篇 : caffeine處理過的免疫細胞對抑郁癥的影響
