基于多变量分类的EEG段单通道睡眠纺锤波检测器：MUSSDET。

背景：目前关于睡眠纺锤波（sleep-spindles）的研究通常依赖专家进行视觉标记，但该方法耗时较长，且不同专家之间的标记一致性较低，导致数据量有限且易受主观偏差影响。若能实现自动检测，则可生成大量客观标记的数据，有效解决上述问题。新方法：本研究旨在开发一种灵敏度高、精度好且具有强鲁棒性的睡眠纺锤波自动检测方法。重点在于确保在异质性记录数据中保持稳定性能，且无需额外参数调优。所开发的检测器基于单通道信号，采用支持向量机（Support Vector Machine, SVM）进行多变量分类。将头皮脑电图（scalp-electroencephalogram, EEG）记录分割为多个时间段（epochs），并从中提取一组相关性强且互不冗余的特征进行表征。训练与验证数据来自弗莱堡大学医学中心（Medical Center-University of Freiburg），测试数据则来自两个公开数据库的共27条记录。结果：在基于样本的评估中，该检测器在DREAMS数据库上实现了53%的灵敏度、37%的精确度和96%的特异性；在MASS数据库上则达到77%的灵敏度、46%的精确度和96%的特异性。与以往的检测方法相比，本方法表现更优。通过在多维空间中对归一化EEG段进行分类，并结合验证集的使用，能够客观地为所有数据库和受试者统一设定单一检测阈值。结论：本研究开发的工具可显著提升睡眠纺锤波相关研究的数据规模与统计效力，为深入探索睡眠纺锤波在认知功能、神经可塑性及睡眠障碍中的作用提供有力支持。