基于 EEG 的 REM 睡眠行为障碍检测：迈向不依赖睡眠阶段的方法

基于摘要分析。该研究针对 REM 睡眠行为障碍（RBD）识别中多导睡眠监测成本高、流程复杂的问题，提出使用单通道 EEG 和监督机器学习简化自动识别流程，探索不依赖睡眠分期的检测方向。主要研究对象是睡眠障碍识别，而非 BCI 控制或交互任务。 方法使用 REM 与慢波睡眠（SWS）阶段记录的 EEG，在 Leave-One-Out（留一法）交叉验证框架下训练和测试监督机器学习模型。作者报告，在该评估框架下 Accuracy 最高达 91%，RBD 类别的 sensitivity（敏感度）最高达 94%；摘要未说明两项最高值是否来自同一模型或配置，也未明确留一单位是否为被试，因此不能将其直接认定为跨被试结果。 研究的具体价值在于同时考察 REM 与 SWS 微观结构作为 RBD 标志物的潜力，并以单通道配置探索降低采集与分析负担。需要区分的是：摘要明确使用了来自特定睡眠阶段的信号，但并未交代如何在推理时免除睡眠分期，以及是否评估了整夜连续 EEG。因此，“不依赖睡眠阶段”目前应理解为研究目标，而非已经验证的完整筛查流程。 模型类型、特征提取、被试数量、数据集、类别分布、留一法划分单位、对照基线、消融及统计信息尚未验证。作者将自动 RBD 识别与早期神经退行性疾病风险评估相联系，但摘要所报告的是 RBD 分类表现，不能据此确认对未来神经退行性疾病的预测能力或临床筛查效用。复现时需优先核对阶段选择流程、单通道位置、评估单位，以及训练与测试之间的被试隔离方式。