欧美色综合一区二区三区,色偷偷av,国产精选污视频在线观看,久久精品国产亚洲AV麻豆导航

昨晚你睡得好嗎？

一個良好的睡眠會讓我們更加輕松地開啟嶄新的一天。越來越多的人都開始關注自己的睡眠狀況，并想要尋求更加科學且便捷的評估方法。迄今為止，有多種評估睡眠質(zhì)量的方法，但多是需要去到專業(yè)的醫(yī)療機構，使用復雜的設備儀器進行全方面的測評。

那么，是否有對家庭或個人而言更加簡單便捷的睡眠質(zhì)量評估工具，以方便我們在日常監(jiān)測睡眠質(zhì)量呢？

一項由成都醫(yī)學院公共衛(wèi)生學院、成都市第五人民醫(yī)院心身內(nèi)科等多家醫(yī)院研究所共同參與的研究，就將睡眠質(zhì)量研究中最常見的腦電數(shù)據(jù)(EEG)與面部表情、睡眠行為相結合進行探究，為睡眠質(zhì)量的評估方法帶來新的思考路徑(Cao et al.，2023)。


睡覺很簡單，但質(zhì)量很重要
睡眠對人體非常重要，它是身體的一個活躍過程，有助于恢復精神，緩解疲勞。睡眠不足會影響大腦的記憶能力。

隨著社會競爭壓力的增大，人們的睡眠質(zhì)量迅速下降，睡眠剝奪帶來的各種健康挑戰(zhàn)或健康風險可能逐漸發(fā)生，比如多種急慢性疾病、心血管疾病和腦神經(jīng)系統(tǒng)疾病等。一項美國調(diào)查顯示，夜間睡眠質(zhì)量低的人群中，有38%主要是因為抑郁和焦慮。此外，家庭壓力、工作焦慮和經(jīng)濟壓力也會導致睡眠障礙。

睡眠質(zhì)量差是一種相對常見的影響內(nèi)分泌、免疫和神經(jīng)系統(tǒng)的疾病，對睡眠質(zhì)量的重要性及其與發(fā)病率關系的值得關注與討論。


如何評估睡眠質(zhì)量？
目前臨床上主要的睡眠質(zhì)量評估工具包括多種，如多導睡眠監(jiān)測 (PSG)、腦電圖(EEG)、量表測評等。

多導睡眠監(jiān)測是臨床指南推薦的一種基本睡眠障礙檢測方法。利用各睡眠時段PSG的變化規(guī)律，對評估睡眠質(zhì)量和識別睡眠障礙具有基礎性作用。但多導睡眠監(jiān)護儀價格昂貴，操作復雜，不適合家庭使用。

測量睡眠質(zhì)量的量表雖然也有很多，且具有良好的信效度，但仍存在主觀性較強，缺乏具體的、可量化的、客觀有效的評價指標等問題，難以應對更加深入的研究。

因此，研究簡單便捷的睡眠質(zhì)量評估工具對于家庭或個人監(jiān)測睡眠質(zhì)量，從而改善睡眠質(zhì)量，促進身體健康至關重要。


睡眠行為，反映更真實的睡眠狀態(tài)
人體的基本運動是在大腦皮層的統(tǒng)一控制下完成的。過度的睡眠運動和行為被認為是由大腦皮層的興奮或活動引起的，這也可能導致深度睡眠時間的相對減少。

過往研究中，睡眠行為主要以睡眠習慣和睡眠姿勢劃分，未對睡眠過程中自發(fā)的身體行為進行分類分析。監(jiān)測睡眠行為的內(nèi)容包括身體運動和肌肉震顫等，數(shù)據(jù)采集主要基于多導睡眠監(jiān)測 (PSG)，通過佩戴儀器進行，但這也存在睡眠過程中因佩戴儀器產(chǎn)生不適的問題；此外，環(huán)境變化也容易引起應激反應，測量數(shù)據(jù)可能與頻繁睡眠狀態(tài)不一致。

而通過攝像頭收集與睡眠行為相關的數(shù)據(jù)則可以更好地反映真實的睡眠狀態(tài)。

因此，本研究使用了基于行為監(jiān)測與分析的專業(yè)行為學研究軟件：行為觀察記錄系統(tǒng) (The Observer XT) 和面部表情分析系統(tǒng)（FaceReader），以更好地分析人體在睡眠過程中的自發(fā)行為，探索睡眠腦電圖數(shù)據(jù)、睡眠行為和面部表情之間的關系的目標，分析開發(fā)客觀反映睡眠質(zhì)量評價系統(tǒng)的可行性。


實驗過程
研究為個案研究，以三個標準選取被試：
(1)睡眠規(guī)律(匹茲堡睡眠質(zhì)量指數(shù)評分<7);
(2)無心血管、呼吸、神經(jīng)系統(tǒng)疾病、精神障礙、睡眠障礙病史;
(3)不吸煙、不酗酒

最終選取1名28歲本科女性被試，在一周的正常睡眠后進行實驗測試。采集其7 小時(00:00-07:00)睡眠時的睡眠行為、面部表情以及睡眠EEG數(shù)據(jù)。

實驗室設置：
睡眠實驗室被設置在28℉，以確保被試不會因為溫度不適而遮蓋自己的身體和面部。
安裝三角紅外攝像機，分別從上方、左側和右側記錄面部表情。根據(jù)以往的數(shù)據(jù)分析經(jīng)驗，攝像機放置在距離面部約35cm的位置，以確保面部表情記錄清晰完整。
腦電圖檢測與分析：
腦電數(shù)據(jù)主要采集符合美國睡眠醫(yī)學學會（AASM）標準要求的以下通道：F3、F4、C3、C4、 O1、O2；并從睡眠數(shù)據(jù)中提取特征波，形成地形圖。EEG特征波為δ (0-4 Hz)、θ (4-8 Hz)、α(8-13 Hz)、β (13 - 30 Hz)和γ(30 - 50 Hz)。

睡眠行為監(jiān)測編碼：
利用行為觀察記錄分析系統(tǒng)(The Observer XT) 對睡眠中發(fā)生的行為進行行為編碼分析，將睡眠行為分為7種，包括面部運動、左手運動、右手運動、身體運動、頭部運動、其他運動以及行為的總數(shù)。

面部表情追蹤分析：
所有的視頻被分割成片段，每個片段持續(xù)30分鐘，并將三個角度的面部表情視頻進行整合。使用面部表情分析系統(tǒng) (FaceReader) 分析睡眠時的面部表情。系統(tǒng)自動對面部動作單元（AU）進行編碼，確定面部表情情緒的頻率和強度，對快樂、悲傷、憤怒、厭惡、害怕、驚訝和中性表情進行分析。


結果分析
面部表情&睡眠行為結果分析：

圖1

圖2
分析每30min出現(xiàn)快樂、悲傷、憤怒、厭惡、害怕、驚訝和中性表情的比例，分析面部動作、左手動作、右手動作、身體動作、頭部動作、其他動作的次數(shù)和行為的總數(shù)。

如圖1、圖2結果發(fā)現(xiàn)，左手和右手的行為次數(shù)在前1-2h達到高峰，驚訝表情的比例最高。第3小時睡眠行為頻率下降，中性表情所占比例最大。在3-4h時，睡眠行為頻率呈斷崖式下降，中性表情比例最高。在5-6小時，睡眠行為次數(shù)減少，沒有記錄到各種面部表情。

腦電（EEG）結果分析：
α波呈先增強后減弱的趨勢，δ波呈負增強的趨勢，β波呈增強后負增強的趨勢，γ波呈負增強的趨勢。θ波先是正增強，后為負增強。明顯的結果是在睡醒前1 h，各波段均呈現(xiàn)正增強趨勢。


相關分析：
在本研究中，不同腦電波的平均功率強度隨入睡時間的變化而變化，并與面部表情相關。

表1
在α波段，F(xiàn)3, F4, O1, O2通道的功率變化與悲傷表情呈正相關，這可能是由于睡眠質(zhì)量差的原因；F3, C3, O1, O2通道的功率變化與恐懼表情呈正相關，如表1所示。這也驗證了過往研究的結果，即在悲傷情緒下的刺激可以導致大腦中央?yún)^(qū)域的α波能量增加（Criado et al., 2021）。


表2

表3
F3通道通常位于額葉，主要參與運動和高級心理功能，在多個波段均發(fā)現(xiàn)其功率變化與面部表情的相關。
在θ波段，F(xiàn)3通道功率變化與悲傷表情呈正相關，如表2所示。
在β波段，F(xiàn)3通道功率變化與中性表情呈負相關，與悲傷表情、驚訝表情呈正相關，如表3所示。而先前研究結果表明，β波調(diào)節(jié)中性和情緒化的表情，θ波段調(diào)節(jié)快樂和悲傷的表情(Yan et al., 2018)，這可能解釋了β波、θ波與這些表情相關的原因。


表4
在δ波段，F(xiàn)3通道功率變化與悲傷表情呈正相關，如表4所示。

在γ波段，F(xiàn)3通道功率變化與面部表情無相關性。


結論
綜上可見，睡眠期間各波段腦電圖平均功率上下波動，睡眠行為在3-4h出現(xiàn)頻率較低，中性面部表情在3-4h出現(xiàn)頻率最高。不同通道下各波段的變化與面部表情相關(p < 0.05)。
這表明了睡眠過程中睡眠EEG數(shù)據(jù)、睡眠行為和睡眠面部表情的變化，并發(fā)現(xiàn)睡眠EEG數(shù)據(jù)與睡眠面部表情之間的相關性。
或許，在未來的睡眠研究應用中，可以增加對面部表情的關注，實現(xiàn)針對家庭或個人而言對睡眠質(zhì)量更加簡單便捷的日常監(jiān)測。

參考文獻
Cao, Q., Ma, Z., Liu, F., Wang, Y., Weng, X., & Xu, F. (2023). Correlation analysis between EEG data and facial expressions and sleep behaviors. Brain-Apparatus Communication: A Journal of Bacomics, 2(1), 2208167.
Criado, J. R., Gizer, I. R., Slutske, W. S., Phillips, E., & Ehlers, C. L. (2012). Event-related oscillations to affective stimuli: heritability, linkage and relationship to externalizing disorders. Journal of psychiatric research, 46(2), 256-263.
Yan, T., Dong, X., Mu, N., Liu, T., Chen, D., Deng, L., ... & Zhao, L. (2018). Positive classification advantage: tracing the time course based on brain oscillation. Frontiers in human neuroscience, 11, 659.


關注諾達思公眾號，聯(lián)系我們獲取更多產(chǎn)品信息及學術文章！