2、PSG信号基础：脑电图(EEG)、眼电图(EOG)、肌电图(EMG)的基本原理与采集
做睡眠分期，说白了就是读懂这三路信号：脑电、眼电、肌电。这三者合起来，构成了多导睡眠图（PSG）的核心。我刚开始接触PSG时，觉得波形密密麻麻的，根本看不懂。后来才发现，只要理解了每种信号的物理本质和采集要点，读图就变得有章可循了。
2.1 脑电图（EEG）：睡眠分期的核心依据
EEG记录的是大脑皮层神经元的电活动。说白了，就是大脑在“说话”。不同睡眠阶段，大脑的“说话方式”完全不同。
2.1.1 基本原理
大脑皮层有大量锥体细胞，它们同步放电时，会在头皮表面产生微弱的电位差。这个电位差只有几微伏到几十微伏。嗯，非常微弱。我见过不少新手把EEG信号调得很大，结果全是噪声。
EEG信号有几个关键频段：
- δ波（0.5-4 Hz）：高幅慢波，深睡眠的标志。我在项目中遇到过，有些患者δ波特别少，一看就是睡眠质量差。
- θ波（4-8 Hz）：浅睡眠和困倦时出现。你想想看，打瞌睡时是不是感觉脑子“糊糊的”？那就是θ波在主导。
- α波（8-13 Hz）：闭眼放松时出现。睁眼就消失，这叫“α阻断”。
- β波（13-30 Hz）：清醒、警觉时出现。频率快，幅度低。
- 纺锤波（12-14 Hz）：N2睡眠的特征波形。像纺锤一样，一簇一簇的。
核心要点：睡眠分期主要看δ波、θ波、纺锤波和K复合波。β波和α波更多用于判断清醒状态。
2.1.2 电极放置与导联
国际10-20系统是标准。我习惯用Fz、Cz、Oz作为中线参考，再配合左右侧的C3、C4、O1、O2。为什么？因为睡眠分期最关注中央区和枕区的活动。
导联方式有两种：
- 参考导联：每个电极对参考电极（如耳垂A1/A2）。优点是波形清晰，缺点是参考电极可能被污染。
- 双极导联：两个活性电极相减。优点是抗干扰强，缺点是波形幅度小。
个人经验：做深度学习模型时，我建议用参考导联的数据。因为波形特征更明显，模型学起来更容易。我曾经试过双极导联，结果模型收敛慢了很多。
2.2 眼电图（EOG）：捕捉眼球运动
EOG记录的是角膜-视网膜电位差。说白了，眼球像个电池，角膜带正电，视网膜带负电。眼球转动时，这个电场的方向就变了。
2.2.1 基本原理
眼球前后极之间的电位差约1 mV。当眼球水平转动时，靠近角膜的电极会记录到正向电位，远离的则记录到负向电位。这就是EOG信号的来源。
睡眠中，EOG信号有两种典型模式：
- 慢速眼球运动（SEM）：入睡初期出现，波形缓慢、幅度大。我刚开始读图时，经常把SEM误判成δ波，后来才发现它们频率差很多。
- 快速眼球运动（REM）：REM睡眠的特征，波形快速、幅度小、方向多变。这是判断REM期的关键依据。
避坑指南：我曾经把EOG电极贴得太靠近眼角，结果记录到的全是眼睑肌电，而不是真正的眼球运动。记住，EOG电极要贴在眼角外侧1cm处，上下偏移不超过0.5cm。
2.2.2 电极放置
标准配置是两个EOG通道：
- E1：左眼外眦下方1cm处，参考右耳垂
- E2：右眼外眦上方1cm处，参考右耳垂
这样放置的好处是：水平眼动在E1和E2上表现为反相波形，垂直眼动则表现为同相波形。你想想看，这给人工判读和算法识别都提供了便利。
2.3 肌电图（EMG）：监测肌肉张力
EMG记录的是骨骼肌的电活动。睡眠中，不同阶段的肌肉张力变化非常明显。
2.3.1 基本原理
肌肉收缩时，肌纤维产生动作电位。多个运动单位同步放电，就形成了EMG信号。EMG的幅度通常在几十到几百微伏，频率范围很宽（10-500 Hz）。
睡眠分期中，EMG主要关注颏肌（下巴）和胫骨前肌（小腿）：
- 颏肌EMG：清醒时张力高，NREM睡眠时张力降低，REM睡眠时张力几乎消失。这是判断REM期的重要辅助指标。
- 胫骨前肌EMG：用于检测周期性肢体运动（PLMS）。我在项目中遇到过，有些患者腿动频繁，导致睡眠碎片化。
关键规律：REM睡眠时，颏肌EMG幅度最低。如果REM期颏肌张力不降低，就要考虑RBD（REM睡眠行为障碍）了。
2.3.2 采集注意事项
EMG采集有几个坑：
- 电极位置：颏肌电极放在下巴中线两侧，距离约2cm。太近了会互相干扰，太远了信号弱。
- 阻抗控制：EMG对阻抗敏感，我习惯把阻抗控制在5kΩ以下。否则，稍微动一下就是满屏噪声。
- 滤波设置：EMG需要高通滤波（10-20 Hz），去除低频漂移。但不要太高，否则会丢失有用信息。
个人技巧：做深度学习模型时，我通常把EMG信号做全波整流和滑动平均，这样模型更容易捕捉到张力变化的趋势。直接输入原始EMG，模型反而容易过拟合噪声。
2.4 三种信号的协同关系
睡眠分期不是只看一路信号，而是看三者的协同变化。我画了一张图，帮你理清这个逻辑：
这张图的核心逻辑是：EEG是主角，EOG和EMG是配角。但配角有时候比主角还关键。比如，EEG看起来像REM，但EMG张力没消失，那就可能是微觉醒，而不是真正的REM。
2.5 采集流程与质量控制
信号采集的质量，直接决定了后续分析的成败。我见过太多因为采集不当导致数据报废的案例。
2.5.1 标准采集流程
- 皮肤准备：用酒精擦拭电极贴附位置，去除油脂和角质。阻抗要降到5kΩ以下。
- 电极贴附：按10-20系统定位，用导电膏固定。我习惯先贴EEG，再贴EOG和EMG。
- 信号检查：让患者闭眼、睁眼、左右看、咬牙，检查各通道信号是否正常。
- 开始记录：设置采样率（EEG建议250 Hz以上，EMG建议500 Hz以上），开始整夜记录。
重要提醒：采样率不是越高越好。我曾经用1000 Hz采样，结果数据量太大，模型训练慢得要命。对于睡眠分期，250-500 Hz完全够用。过高的采样率只会增加计算负担。
2.5.2 常见伪差与处理
| 伪差类型 | 来源 | 表现 | 处理方法 |
|---|---|---|---|
| 眼动伪差 | 眼球运动 | EEG前额导联出现大慢波 | ICA去噪或回归法 |
| 肌电伪差 | 肌肉紧张 | 高频噪声叠加在EEG上 | 低通滤波（<30 Hz） |
| 心电伪差 | 心脏搏动 | 周期性尖波 | 模板相减法 |
| 电极脱落 | 接触不良 | 信号突然变为直线 | 标记为坏段，剔除 |
我的经验：做深度学习模型时，不要过度去噪。保留一定程度的生理伪差，反而能让模型学会鲁棒的特征提取。我曾经把数据去噪得干干净净，结果模型在真实数据上表现很差。说白了，模型需要见过“脏数据”，才能适应真实场景。
2.6 小结
EEG、EOG、EMG这三路信号，是睡眠分期的基石。EEG提供核心的分期依据，EOG和EMG辅助判断REM期和觉醒状态。采集时要注意电极位置、阻抗控制和伪差处理。记住，好的数据是成功模型的一半。
公众号:蓝海资料掘金营，微信deep3321