利用 REM 睡眠 EEG 信号，通过机器学习与深度学习在无需唤醒的情况下识别梦境情绪

基于摘要分析。研究探索利用 REM 睡眠 EEG 自动区分梦境是否具有情绪内容及其情绪极性，采用离散小波变换提取特征，结合 gradient boosting、random forest 和卷积神经网络构建被试独立模型，并评估减少 EEG 通道的可行性。 数据来自 38 名被试，使用 6 个 EEG 通道记录；研究者在被试进入 REM 睡眠后将其唤醒，以收集梦境报告。标题中的“无需唤醒”应与数据采集阶段区分：摘要描述的是借助 EEG 进行自动分类的目标，并不表示训练与评估标签无需唤醒获得，也未验证完全不唤醒条件下的情绪识别。 作者报告，在构建被试独立模型的不同实验设置中，中性情绪梦境与正性／负性情绪梦境的二分类 Accuracy 最高为 0.66 ± 0.02；正性与负性情绪梦境的二分类 Accuracy 最高为 0.64 ± 0.03；无梦睡眠与有梦睡眠的二分类 Accuracy 最高为 0.85 ± 0.02。作者还报告，经 Non-dominated Sorting Genetic Algorithm II 选择 2–3 个通道后，可获得相近的 Accuracy，但摘要未给出各任务对应的具体少通道成绩。上述数值来自不同分类任务，不能直接作为同一任务下的性能比较；“±”所代表的统计量及具体划分尚未验证。 该研究的具体价值在于将梦境情绪识别与有无梦境识别分别建模，并探索少通道记录方案。需进一步核对梦境报告的标注流程、各类别样本量、跨被试划分方式、通道选择是否限定于训练数据，以及不同分类器的对应成绩。实验协议、消融及统计信息尚未验证。作者将结果定位为研究梦境情绪及精神和睡眠障碍相关症状的潜在工具；摘要未提供临床验证或在线 BCI 控制证据。