利用机器学习和深度学习从 REM 睡眠 EEG 信号中识别梦境情绪，无需唤醒

基于摘要分析。研究探索能否利用 REM 睡眠 EEG 自动区分梦境是否含有情绪、情绪正负以及是否有梦，并以传统机器学习和卷积神经网络构建被试独立模型。研究对象是睡眠中的梦境及其情绪内容，而非已验证的在线 BCI 控制任务。 研究纳入 38 名被试，记录 6 通道 EEG，并通过在被试进入 REM 睡眠后将其唤醒收集梦境报告。因此，标题中的“无需唤醒”不能理解为研究数据或标签完全不依赖唤醒；摘要支持的是从 EEG 自动识别梦境相关状态的探索，尚不能确认无需唤醒的实际部署效果。 方法方面，作者采用离散小波变换提取特征，使用 gradient boosting、random forest 等分类算法，并探索卷积神经网络；此外，使用 Non-dominated Sorting Genetic Algorithm II 选择 EEG 通道。摘要未说明各分类任务的具体模型配置、输入窗口、预处理流程，以及卷积神经网络与小波特征的关系。 在摘要所述的被试独立、不同实验设置下，作者报告：中性情绪梦境与正面或负面情绪梦境的分类 Accuracy 最高为 0.66±0.02；正面与负面情绪梦境的分类 Accuracy 最高为 0.64±0.03；无梦睡眠与有梦睡眠的分类 Accuracy 最高为 0.85±0.02。作者还报告，使用算法筛选的 2–3 个通道可获得相近 Accuracy，但摘要未提供对应任务的完整数值。上述结果属于不同分类问题，不能直接比较任务难度；“±”的统计含义、数据划分与基线对照尚未验证。 复现时应核对梦境报告如何转为情绪和有梦/无梦标签、EEG 与报告的时间对应关系、被试独立划分方式，以及通道筛选与模型评估的具体流程。实验协议、消融及统计信息尚未验证，代码与数据可用性也未确认。作者将结果视为自动研究梦境情绪的鼓舞性证据，但摘要不足以支持精神或睡眠障碍诊断、治疗效果或临床应用结论。