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

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。

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。

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。

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。

Fig 6. 实时睡眠分期与语义解码系统的数据流与工作界面。

研究意义

这项工作在多个层面上推进了我们对睡眠记忆的理解。理论上，它不仅证实了人类睡眠中存在内容特异性的记忆重放，还明确指出了慢波-纺锤波耦合期是提取这些语义信息的“黄金窗口”。方法学上，该研究提供了一个开源的大规模人类睡眠脑电数据集，并证明了神经对比学习在克服脑电信号跨状态分布差异上的巨大潜力。

同时，研究者也指出了当前的边界：目前的模型仍局限于15个预设的语义类别，距离真正的“开放词汇”梦境或睡眠思维读取还有距离。但无论如何，这套实时、跨被试的睡眠解码系统，为未来开发针对创伤后应激障碍（PTSD）或认知衰退的闭环睡眠干预疗法打开了全新的想象空间。

分享人：饭鸽儿

审核：PsyBrain 脑心前沿编辑部

你好，这里是「PsyBrain 脑心前沿」

专注追踪全球认知神经科学的最尖端突破

视野直击 Nature, Science, Cell 正刊 及核心子刊与顶级大刊

每日速递「深度解读」与「前沿快讯」

科研是一场探索未知的长跑，但你无需独行。欢迎加入PsyBrain 学术社群，和一群懂你的同行，共同丈量脑与心智的无垠前沿。

点击卡片进群，欢迎你的到来

一键关注，点亮星标 ⭐ 前沿不走丢！

一键分享，让更多人了解前沿