腦機啟偵 | 睡眠記憶解碼框架推進認知腦機接口（04.21）

4月，我國研究團隊在Neuron在線發表論文《Interpreting Human Sleep Activity Through Neural Contrastive Learning》。

睡眠并不是大腦“關機”，而是大腦整理記憶、重組信息的重要階段。這項工作是AI與腦科學深度交叉的一項新進展。研究團隊提出了睡眠記憶解碼框架Sleep Interpreter（SI，“思”模型）。簡單來說，它嘗試讓AI從睡眠腦電中讀出與語義內容相關的神經活動，進一步判斷睡眠中哪些記憶正在被重新激活。依托135名被試的大規模腦電數據，團隊實現了跨被試、零樣本語義解碼。模型無需為每位新被試單獨訓練，也能在新個體上識別其睡眠中被重現的語義記憶信息。在此基礎上，團隊還搭建了可實時運行的睡眠分期與階段特異性內容解碼系統，為睡眠記憶研究、閉環睡眠干預，以及認知腦機接口的發展提供了新的方法學基礎。

越來越多研究表明，人們在白天形成的經驗，會在睡眠中被重新激活和“重播” （replay），這一過程被認為是記憶鞏固的重要機制。但是，與能夠直接記錄神經元放電的動物研究不同，人類睡眠研究主要依賴頭皮腦電圖（EEG）。而睡眠腦電中最顯著的，往往是慢振蕩等大幅度節律活動，這些強背景信號很容易掩蓋與具體記憶內容相關的微弱表征，也使基于清醒狀態訓練的解碼器難以直接泛化到睡眠狀態。

為解決這一問題，團隊設計了“目標語義重激活”（Targeted Semantic Reactivation，TSR）任務。實驗中，被試先在清醒狀態下學習15組語義一致的圖片—聲音配對，例如“綿羊圖片—羊叫聲”。進入睡眠后，研究人員再次播放這些聲音線索，在盡量不干擾自然睡眠的前提下，追蹤大腦何時可能重新激活了相應的語義信息（圖1）。主實驗共納入135名健康成年被試，最終獲得約1000小時睡眠記錄和400小時清醒記錄，構建了大規模、標注精細的人類睡眠語義解碼數據資源。

圖1 目標語義重激活任務與大規模睡眠語義解碼數據集

在方法上，團隊提出了多域睡眠解碼模型 SI-MD。可以把它理解為：讓AI同時學習清醒時“看圖”的腦信號、清醒時“聽聲音”的腦信號，以及睡眠中聽到提示音后的腦信號，再把它們放到同一個語義空間里比較。這樣一來，AI就能把“同一概念”在不同腦狀態下的活動對齊，把“不相關概念”區分開，從復雜的睡眠節律背景中提取真正與記憶內容相關的信息。這也是AI+腦科學在睡眠研究中的一個關鍵進展。

結果顯示，在零樣本、跨被試測試中，SI在非快速眼動睡眠NREM 2/3期和快速眼動睡眠REM期的15分類任務中，準確率分別達到 22.82% 和 19.27%。在這一任務中，隨機水平僅為 6.67%，而SI的表現顯著優于多種線性模型和深度學習基線（圖2）。這表明，睡眠中的語義記憶重激活并非不可讀出，而是能夠被模型以顯著高于基線的水平識別。

圖2 神經對比學習支持跨清醒與睡眠狀態的零樣本語義解碼

研究還進一步找到了睡眠中最有利于解碼記憶內容的關鍵時間窗口。團隊發現，解碼效果并不是在整個睡眠過程中平均分布的，而是在慢振蕩由下降相過渡到首次上升相時達到最高，也就是慢波活動即將轉入上升的時刻。這個時間窗同時也是紡錘波最活躍、慢振蕩與紡錘波耦合最明顯的階段。

進一步分析表明，慢振蕩相位和紡錘波的存在都會獨立提升解碼正確率，而且兩者的作用可以疊加（圖3）。研究人員進一步選取耦合事件更豐富的樣本重新訓練模型后，整體解碼性能得到進一步提升。這提示，特定節律耦合窗口可能正是睡眠中記憶內容最容易被外顯、也最容易被可靠讀取的神經時間窗。

圖3 慢振蕩與紡錘波耦合是睡眠語義記憶解碼的重要生理窗口

為進一步檢驗模型的泛化能力，團隊開展了兩項獨立驗證實驗。

第一項實驗采用經典的“目標記憶重激活”（Targeted Memory Reactivation，TMR）范式。與主實驗不同，這一實驗使用的是不攜帶語義信息的任意聲音作為提示線索。結果顯示，在不重新訓練模型的情況下，SI仍能正確區分被提示的概念，而且解碼概率與被試睡后的記憶提升相關（圖4）。

圖4 SI可在經典TMR范式中捕捉非語義聲音提示引發的記憶重激活

第二項實驗則完全不播放任何聲音線索，用于檢驗模型能否識別自發性的記憶重激活。結果發現，即使沒有外部提示，SI仍可從與慢振蕩相關的腦電片段中解碼出與當次學習內容一致的語義偏向，而且解碼概率能夠預測個體后續的記憶保持水平（圖5）。這說明，SI捕捉到的并不只是聲音本身的物理特征，而更接近睡眠中大腦自發進行的記憶加工內容。

圖5 SI可在無外部提示條件下識別自發性記憶重激活

在此基礎上，研究團隊進一步搭建了實時睡眠解碼系統。該系統包括自動睡眠分期模塊SI-Staging和階段特異性語義解碼模塊。前者僅依賴3個EEG通道，便可在獨立留出的測試被試上實現90.38%的專家標注一致率（圖6）；后者則在檢測到穩定睡眠狀態后，對全腦EEG片段進行在線內容解碼，并可在毫秒級完成推理輸出。

這意味著，該系統不僅能夠判斷“當前處于什么睡眠階段”，還能夠進一步估計“當前大腦正在處理什么內容”。換句話說，它讓腦機接口從“識別狀態”邁向“理解內容”，具備了內容感知型認知腦機接口的雛形，也為未來閉環睡眠干預、記憶增強和精準神經調控提供了可行路徑。

圖6 實時睡眠解碼系統

該研究進一步推動了AI與腦科學的深度融合，讓研究者不只知道人是否在睡、睡到哪一步，還能開始理解睡眠中的認知加工內容。相關成果為記憶增強、異常記憶調控、睡眠相關腦疾病干預，以及夢境內容的客觀評估提供了新的研究基礎。

目前，SI已實現跨被試、零樣本解碼，顯示出初步的泛化能力。下一步，課題組將繼續突破封閉類別集的限制，面向開放語義空間構建更通用的基礎模型，逐步打通從睡眠分期、記憶加工到更廣義認知功能表征的技術鏈路，推動AI+腦科學、認知腦機接口、精準神經調控以及個體化學習與記憶干預的發展。

論文鏈接：https://www.cell.com/neuron/fulltext/S0896-6273(26)00219-9

來源 | 北京腦、腦機接口社區

浙大科技園啟真腦機智能產業化基地是在浙大控股集團領導下，由浙江大學科技園發展有限公司與杭州未來科技城管委會共建，圍繞腦機智能產業主體，輻射腦機+生命健康、腦機+智能制造、腦機+新一代信息技術、腦機+新材料等領域的專業化特色產業基地，由杭州啟真未來科技發展有限公司負責全面運營。

基地依托浙江大學在腦機智能方面的學科優勢，以腦機智能作為核心科技支撐，貫徹浙江大學國家大學科技園“有組織科技成果轉化、有靶向科技企業孵化、有體系未來產業培育”的服務體系，致力于打造腦機智能領域具備成果顯示度、區域影響力的產業化高地。