World Sleep Industry ENCYCLOPEDIA

腦電睡眠分期標註數據

4.4.3

定義、用途與詞條邊界

腦電睡眠分期標註資料,是將連續腦電圖(EEG)與時間對齊的清醒、非快速動眼睡眠和快速動眼睡眠階段標籤,以及必要的紀錄與評分詮釋資料組織在一起的資料資源。它可用於睡眠結構研究、評分訓練、自動分期演算法開發、品質控制和方法重現。常見交付形式包括整夜 EEG、按時段切分的片段、階段序列或 hypnogram,以及受試者、夜晚和紀錄條件資訊。

這類資料不等於完整 PSG 標註庫,也不等於每個標籤都僅憑 EEG 產生。臨床評分常結合眼電、頦肌電、呼吸事件、覺醒和前後時段脈絡,即使發布給演算法的輸入只有一個腦電導程。資料集應說明評分者當時可見哪些訊號,以及模型可用訊號與參考標籤生成訊號是否相同。標籤是特定規則和證據下的參考解釋,不是無條件正確的生理真值。

腦電訊號、導程與預處理

EEG 的含義取決於電極位置、參考電極或雙極導程、極性、取樣率、振幅單位、增益、類比與數位濾波、校準和電極品質。看似相同的通道名可能採用不同參考方式,頻譜和波形振幅因而不同。資料文件應提供實際導程運算式、裝置與放大器、採集參數、阻抗或品質紀錄,並區分原始通道、重新參考通道和演算法生成的規範通道。

預處理可包含重新取樣、帶通或陷波、去趨勢、振幅裁剪、偽差抑制、正規化和片段剔除,每一步都可能改變睡眠特徵。發布者應保留原始或最接近原始的版本,並記錄參數、軟體和處理順序;無法逆轉的清理不應只以「去雜訊」概括。缺失、平線、飽和、動作、導程脫落和裝置離身應有獨立品質標誌,不能用補零後的整齊陣列掩蓋無效訊號。

階段標籤、時段與時間語意

現代成人資料通常以固定時長時段標註 W、N1、N2、N3 和 R,同時還可能存在未評分、未知、運動時間或偽差狀態。標籤檔案必須說明時段長度、首個時段時間原點、邊界規則、紀錄末尾不足一個時段的處理,以及標籤是點、區間還是整段類別。hypnogram 表示階段隨時間的序列,但通常不包含全部覺醒、呼吸或運動事件,不能把它誤作完整睡眠檢查註釋。

整夜檔案常裁剪入睡前或起床後的清醒段,以控制類別比例或檔案大小;這會改變睡眠效率、轉移機率和演算法難度。資料集應保留原始紀錄區間、裁剪規則與被刪時長,並區分「未評分」「無法評分」「不屬於分析窗口」和真實階段。若用滑動窗口或上下文序列生成樣本,還要記錄窗口跨越階段邊界、夜晚邊界和缺失區間的處理方式。

評分體系、版本與跨庫協調

睡眠分期規則隨歷史和手冊版本演變。舊資料可能把深睡眠分為階段 3 與階段 4,或包含現代分類中沒有的狀態;直接改名可能遺失語意。協調時應保留原始標籤和評分體系,另建明確的映射欄位,記錄合併、捨棄及無法轉換的情況。兒童、嬰兒或特殊人群還可能使用不同規則,不能把成人階段集合無條件套用到所有年齡。

評分來源應包括規則版本、評分軟體、顯示濾波、可見導程、評分者身分或資歷、自動預標、人工覆核、盲法和修改歷史。不同資料來源還需協調單位、通道名、參考方式、極性、取樣率、時間戳和標籤詞彙。發布版本應帶檔案校驗值、資料字典、樣本清單、變更日誌和已知問題,使研究者能夠重現所用快照,並區分原始標註、協調標籤和後續修正。

訊號品質、評分者差異與標籤不確定性

分期可靠性同時受訊號和判斷影響。低振幅腦電、短暫事件、階段轉移、偽差和有限導程會產生邊界案例,不同評分者可能給出不同標籤。資料集宜保留多評分者結果、仲裁或共識過程、一致性統計和未評分比例;若只發布一個最終標籤,也應說明它來自單人評分、專家覆核、投票還是自動系統。共識可以提高一致性,但仍不等於不可質疑的真值。

品質檢查應驗證訊號與標籤數量、起點、持續時間和時鐘一致,抽查波形是否符合單位與極性,並識別重複紀錄、錯配 hypnogram 和整體偏移。標籤類別分布也要按受試者、夜晚、年齡、疾病、裝置和中心查看。來自單一實驗室或特定門診的資料可能受轉介、藥物、第一夜效應和採集年代影響;大量相鄰時段不能替代獨立受試者數量或目標人群涵蓋。

機器學習劃分、評測與重現

演算法資料應按受試者劃分訓練、驗證和測試,使同一人的不同夜晚、相鄰時段、重新匯出副本及衍生通道留在同一集合。隨機拆分時段會因個體特徵和強時間相關性造成洩漏。正規化統計、偽差閾值、類別重新取樣和模型選擇只能使用訓練資料;驗證集負責調參,測試集應保持封存,並儘量增加跨中心、跨裝置和不同人群的外部驗證。

總體準確率容易被常見階段主導,應同時報告逐類靈敏度或召回率、精確度、混淆、宏平均指標、一致性指標和信賴區間,並單獨評估階段轉移、低品質訊號和少數類別。比較模型時必須使用相同評分體系、裁剪範圍和受試者劃分。資料版本、納入清單、程式碼依賴、隨機種子、預處理和後處理規則都應保存,不能反覆查看測試標籤後調整系統。

隱私、存取治理與臨床限制

腦電和整夜時間結構可能具有個體特徵,檔案還可能包含日期、年齡、裝置編號、站點、自由文字或關聯臨床資料。發布者應依據同意和適用規則開展資料最小化、去識別和再識別風險評估,並按敏感度設定開放、申請制或受控存取。使用者需保護下載副本、存取權杖和模型衍生產物,遵守授權與禁止再識別、再散布限制,並在授權到期、撤回適用或發現錯配時執行規定處理。

自動分期可支援研究和工作流程,但分期標籤本身不能診斷某種睡眠疾病,也不能單獨決定個體治療。模型與參考評分一致,不代表已證明臨床效益或適合所有人群;部署還需驗證輸入裝置、訊號品質、失敗檢測、人工覆核和適用監管要求。成熟的資料集應讓使用者追溯每個階段標籤的訊號、規則、評分者和版本,同時清楚標出證據缺口和不可使用的情境。