Neuron重磅：北师北脑团队开发大脑睡眠解码器，成功实现人类睡眠语义实时解码|北师北脑|数据流|脑电

认知神经科学前沿文献分享

基本信息

Title:Interpreting human sleep activity through neural contrastive learning

发表时间:2026-4-17

发表期刊:Neuron

影响因子:15.0

获取原文:

1. 添加小助手:PSY-Brain-Frontier即可获取PDF版本

研究背景

睡眠对记忆巩固至关重要。在睡眠期间，大脑会自发地“重放”（replay）白天的经历，这是记忆巩固的核心机制。在动物研究中，科学家可以通过直接记录神经元的脉冲活动来清晰地观察这种重放；但在人类研究中，我们通常只能依赖头皮脑电图（EEG）等无创手段。

然而，人类睡眠脑电信号充满了与清醒时截然不同的节律性背景活动（例如深度睡眠中巨大的慢波振荡）。这种巨大的背景差异形成了一道“表征鸿沟”，使得在清醒状态下训练的脑电解码器很难直接迁移到睡眠数据上。过去的研究往往只能区分粗略的类别，或者需要繁琐的离线特征工程，难以直接读取具体的语义内容。

为了突破这一瓶颈，研究者收集了包含135名参与者、近1000小时睡眠和400小时清醒脑电的大规模数据集，并开发了一种名为“Sleep Interpreter（SI，思）”的跨域神经解码模型。该研究试图回答：我们能否过滤掉睡眠特有的背景节律，直接“读出”人类在睡眠中究竟在重放什么具体的语义内容？

研究核心总结

一、神经对比学习跨越清醒与睡眠的表征鸿沟

研究者设计了一项“目标语义重放（TSR）”任务。参与者在清醒时学习15个语义概念（如“羊”）的图文声音配对。入睡后，研究者在特定的睡眠阶段播放这些声音线索，以诱发对应概念的记忆重放。

为了从嘈杂的睡眠脑电中提取语义信息，研究者开发了SI-MD模型。该模型引入了“神经对比学习（neural contrastive learning）”技术，将同一个语义概念在清醒时（看图、听声音）的脑电表征与睡眠时（听声音）的脑电表征在隐空间中拉近，同时推开不同概念的表征。结果显示，SI模型在未见过的受试者数据上实现了零样本（zero-shot）跨被试解码，在NREM和REM睡眠中均显著优于传统的线性分类器和其他深度学习基线模型。

Fig 1. 实验设计与清醒、睡眠状态下诱发脑电的差异。

Fig 2. SI-MD模型架构及跨被试零样本解码准确率表现。

二、记忆解码在慢波-纺锤波耦合期达到峰值

在非快速眼动（NREM）睡眠中，大脑的慢波振荡（SO）和睡眠纺锤波（spindle）被认为是记忆巩固的关键节律。研究者进一步分析了声音线索出现在慢波不同相位时的解码表现。

结果发现，当线索出现在慢波的“向波峰过渡（Trans 1st Up）”阶段时，解码准确率最高。更重要的是，如果此时伴随有睡眠纺锤波的出现（即SO-spindle耦合），模型的解码能力会进一步提升。经过针对性重新训练后，模型在这一特定窗口期的15分类Top-1准确率达到了惊人的40.02%（随机水平仅为6.7%）。这表明，慢波与纺锤波的耦合不仅是记忆巩固的生理标志，也是我们在头皮表面“读取”记忆内容的最佳窗口。

Fig 3. 慢波不同相位及纺锤波耦合对睡眠解码准确率的显著影响。

三、模型可泛化至全新的提示性与自发性记忆重放

为了验证SI模型是否真的学到了跨状态的语义表征，而不是仅仅记住了训练集里的声音物理特征，研究者在两个完全独立的午睡实验中直接测试了预训练好的SI模型（不进行任何微调）。

在第一个实验中，参与者学习了全新的非语义声音与概念的联结。在睡眠中播放这些非语义声音时，SI模型依然成功解码出了对应的语义概念。在第二个实验中，参与者在睡眠期间没有接受任何声音提示，SI模型依然在慢波-纺锤波耦合期间捕捉到了自发的记忆重放。在这两个实验中，模型解码出的重放强度都与参与者醒来后的记忆保留表现显著相关。

Fig 4. SI模型在独立TMR实验中成功解码由非语义声音诱发的记忆重放。

Fig 5. SI模型在无声音提示的午睡实验中成功解码自发记忆重放，且预测了记忆保留。

四、构建实时睡眠分期与解码系统

基于上述成果，研究者进一步开发了一个包含自动睡眠分期模块（SI-Staging）和语义解码模块的实时系统。该系统能够在线接收脑电信号，以极低的延迟自动判断睡眠阶段。当检测到稳定的NREM或REM睡眠时，系统会将脑电数据实时送入SI-MD模型进行解码，并同步生成代表该语义内容的图像。这一系统的实现，为未来在睡眠中进行精准的闭环记忆干预奠定了技术基础。