从面部表情是否能看出自己睡眠质量如何？

昨晚你睡得好吗？

一个良好的睡眠会让我们更加轻松地开启崭新的一天。越来越多的人都开始关注自己的睡眠状况，并想要寻求更加科学且便捷的评估方法。迄今为止，有多种评估睡眠质量的方法，但多是需要去到专业的医疗机构，使用复杂的设备仪器进行全方面的测评。

那么，是否有对家庭或个人而言更加简单便捷的睡眠质量评估工具，以方便我们在日常监测睡眠质量呢？

一项由成都医学院公共卫生学院、成都市第五人民医院心身内科等多家医院研究所共同参与的研究，就将睡眠质量研究中最常见的脑电数据(EEG)与面部表情、睡眠行为相结合进行探究，为睡眠质量的评估方法带来新的思考路径(Cao et al.，2023)。


睡觉很简单，但质量很重要
睡眠对人体非常重要，它是身体的一个活跃过程，有助于恢复精神，缓解疲劳。睡眠不足会影响大脑的记忆能力。

随着社会竞争压力的增大，人们的睡眠质量迅速下降，睡眠剥夺带来的各种健康挑战或健康风险可能逐渐发生，比如多种急慢性疾病、心血管疾病和脑神经系统疾病等。一项美国调查显示，夜间睡眠质量低的人群中，有38%主要是因为抑郁和焦虑。此外，家庭压力、工作焦虑和经济压力也会导致睡眠障碍。

睡眠质量差是一种相对常见的影响内分泌、免疫和神经系统的疾病，对睡眠质量的重要性及其与发病率关系的值得关注与讨论。


如何评估睡眠质量？
目前临床上主要的睡眠质量评估工具包括多种，如多导睡眠监测 (PSG)、脑电图(EEG)、量表测评等。

多导睡眠监测是临床指南推荐的一种基本睡眠障碍检测方法。利用各睡眠时段PSG的变化规律，对评估睡眠质量和识别睡眠障碍具有基础性作用。但多导睡眠监护仪价格昂贵，操作复杂，不适合家庭使用。

测量睡眠质量的量表虽然也有很多，且具有良好的信效度，但仍存在主观性较强，缺乏具体的、可量化的、客观有效的评价指标等问题，难以应对更加深入的研究。

因此，研究简单便捷的睡眠质量评估工具对于家庭或个人监测睡眠质量，从而改善睡眠质量，促进身体健康至关重要。


睡眠行为，反映更真实的睡眠状态
人体的基本运动是在大脑皮层的统一控制下完成的。过度的睡眠运动和行为被认为是由大脑皮层的兴奋或活动引起的，这也可能导致深度睡眠时间的相对减少。

过往研究中，睡眠行为主要以睡眠习惯和睡眠姿势划分，未对睡眠过程中自发的身体行为进行分类分析。监测睡眠行为的内容包括身体运动和肌肉震颤等，数据采集主要基于多导睡眠监测 (PSG)，通过佩戴仪器进行，但这也存在睡眠过程中因佩戴仪器产生不适的问题；此外，环境变化也容易引起应激反应，测量数据可能与频繁睡眠状态不一致。

而通过摄像头收集与睡眠行为相关的数据则可以更好地反映真实的睡眠状态。

因此，本研究使用了基于行为监测与分析的专业行为学研究软件：行为观察记录系统 (The Observer XT) 和面部表情分析系统（FaceReader），以更好地分析人体在睡眠过程中的自发行为，探索睡眠脑电图数据、睡眠行为和面部表情之间的关系的目标，分析开发客观反映睡眠质量评价系统的可行性。


实验过程
研究为个案研究，以三个标准选取被试：
(1)睡眠规律(匹兹堡睡眠质量指数评分<7);
(2)无心血管、呼吸、神经系统疾病、精神障碍、睡眠障碍病史;
(3)不吸烟、不酗酒

最终选取1名28岁本科女性被试，在一周的正常睡眠后进行实验测试。采集其7 小时(00:00-07:00)睡眠时的睡眠行为、面部表情以及睡眠EEG数据。

实验室设置：
睡眠实验室被设置在28℉，以确保被试不会因为温度不适而遮盖自己的身体和面部。
安装三角红外摄像机，分别从上方、左侧和右侧记录面部表情。根据以往的数据分析经验，摄像机放置在距离面部约35cm的位置，以确保面部表情记录清晰完整。
脑电图检测与分析：
脑电数据主要采集符合美国睡眠医学学会（AASM）标准要求的以下通道：F3、F4、C3、C4、 O1、O2；并从睡眠数据中提取特征波，形成地形图。EEG特征波为δ (0-4 Hz)、θ (4-8 Hz)、α(8-13 Hz)、β (13 - 30 Hz)和γ(30 - 50 Hz)。

睡眠行为监测编码：
利用行为观察记录分析系统(The Observer XT) 对睡眠中发生的行为进行行为编码分析，将睡眠行为分为7种，包括面部运动、左手运动、右手运动、身体运动、头部运动、其他运动以及行为的总数。

面部表情追踪分析：
所有的视频被分割成片段，每个片段持续30分钟，并将三个角度的面部表情视频进行整合。使用面部表情分析系统 (FaceReader) 分析睡眠时的面部表情。系统自动对面部动作单元（AU）进行编码，确定面部表情情绪的频率和强度，对快乐、悲伤、愤怒、厌恶、害怕、惊讶和中性表情进行分析。


结果分析
面部表情&睡眠行为结果分析：

图1

图2
分析每30min出现快乐、悲伤、愤怒、厌恶、害怕、惊讶和中性表情的比例，分析面部动作、左手动作、右手动作、身体动作、头部动作、其他动作的次数和行为的总数。

如图1、图2结果发现，左手和右手的行为次数在前1-2h达到高峰，惊讶表情的比例最高。第3小时睡眠行为频率下降，中性表情所占比例最大。在3-4h时，睡眠行为频率呈断崖式下降，中性表情比例最高。在5-6小时，睡眠行为次数减少，没有记录到各种面部表情。

脑电（EEG）结果分析：
α波呈先增强后减弱的趋势，δ波呈负增强的趋势，β波呈增强后负增强的趋势，γ波呈负增强的趋势。θ波先是正增强，后为负增强。明显的结果是在睡醒前1 h，各波段均呈现正增强趋势。


相关分析：
在本研究中，不同脑电波的平均功率强度随入睡时间的变化而变化，并与面部表情相关。

表1
在α波段，F3, F4, O1, O2通道的功率变化与悲伤表情呈正相关，这可能是由于睡眠质量差的原因；F3, C3, O1, O2通道的功率变化与恐惧表情呈正相关，如表1所示。这也验证了过往研究的结果，即在悲伤情绪下的刺激可以导致大脑中央区域的α波能量增加（Criado et al., 2021）。


表2

表3
F3通道通常位于额叶，主要参与运动和高级心理功能，在多个波段均发现其功率变化与面部表情的相关。
在θ波段，F3通道功率变化与悲伤表情呈正相关，如表2所示。
在β波段，F3通道功率变化与中性表情呈负相关，与悲伤表情、惊讶表情呈正相关，如表3所示。而先前研究结果表明，β波调节中性和情绪化的表情，θ波段调节快乐和悲伤的表情(Yan et al., 2018)，这可能解释了β波、θ波与这些表情相关的原因。


表4
在δ波段，F3通道功率变化与悲伤表情呈正相关，如表4所示。

在γ波段，F3通道功率变化与面部表情无相关性。


结论
综上可见，睡眠期间各波段脑电图平均功率上下波动，睡眠行为在3-4h出现频率较低，中性面部表情在3-4h出现频率最高。不同通道下各波段的变化与面部表情相关(p < 0.05)。
这表明了睡眠过程中睡眠EEG数据、睡眠行为和睡眠面部表情的变化，并发现睡眠EEG数据与睡眠面部表情之间的相关性。
或许，在未来的睡眠研究应用中，可以增加对面部表情的关注，实现针对家庭或个人而言对睡眠质量更加简单便捷的日常监测。

参考文献
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.


关注诺达思公众号，联系我们获取更多产品信息及学术文章！