DOI: https://doi.org/10.1038/s41598-025-34509-y
PMID: https://pubmed.ncbi.nlm.nih.gov/41495162
تاريخ النشر: 2026-01-06
المؤلف: Markus Kyllönen وآخرون
الموضوع الرئيسي: النوم والاضطرابات المرتبطة به
نظرة عامة
تبحث هذه الدراسة في نشاط تخطيط الدماغ الكهربائي (EEG) المرتبط باضطراب الأرق (ID) باستخدام تقنيات التعلم الآلي على مجموعتين مستقلتين تضم 198 موضوعًا على مدى ليلتين. تكشف الدراسة أن ميزات طيف EEG أثناء النوم يمكن أن تميز الأفراد الذين يعانون من ID عن ضوابط النوم الجيد (GSCs) فقط عندما يتم استخدام نفس المشاركين للتدريب والاختبار، مما يشير إلى أن توقيعات EEG الفردية أكثر تأثيرًا من الأنماط العامة المرتبطة بـ ID. تشير التحليلات الإضافية إلى أن هذه التوقيعات تظهر استقرارًا يشبه السمة، وتقودها بشكل أساسي النشاط القشري عالي التردد، والذي يرتبط بالاستثارة القشرية أثناء النوم. من الجدير بالذكر أن هذا النشاط عالي التردد ليس حصريًا لـ ID ولكنه يعكس التباين الفردي في توقيعات EEG أثناء النوم.
تؤكد النتائج على ضرورة وجود إطار دقيق لصحة الدماغ يركز على الانحرافات عن خط الأساس العصبي للفرد بدلاً من الاعتماد فقط على المقارنات على مستوى المجموعة. يبرز هذا النهج أهمية مراقبة استمرارية EEG والانقطاعات على المستوى الفردي للحصول على رؤى أعمق حول الأرق. يدعو المؤلفون إلى قياسات متكررة لـ EEG داخل الأفراد لالتقاط التغيرات الزمنية والديناميات الفريدة داخل الأفراد، مما قد يعزز فهم الآليات الكامنة وراء الأرق ويساعد في تطوير استراتيجيات علاج شخصية.
مقدمة
تناقش مقدمة ورقة البحث التعقيدات المحيطة باضطراب الأرق (ID) والنشاط الدماغي المرتبط به أثناء النوم، مع تسليط الضوء على التناقضات بين التجارب الذاتية للأرق والقياسات الموضوعية المستمدة من تسجيلات تخطيط الدماغ الكهربائي (EEG). تشير النظرية السائدة إلى أن الاستثارة المفرطة – سواء كانت جسدية أو معرفية أو مرتبطة بالجهاز العصبي المركزي – تلعب دورًا حاسمًا في ID، مما يؤدي إلى أنماط نوم مجزأة وزيادة في سوء فهم النوم. ترتبط الأسس البيولوجية لهذه الاستثارة المفرطة بنشاط اللوزة الزرقاء-النورأدرينالين (LC-NA)، والتي قد تعطل العمليات الطبيعية للنوم وتساهم في الأرق المزمن.
على الرغم من الدراسات السابقة التي تشير إلى زيادة النشاط القشري عالي التردد، وخاصة نشاط بيتا أثناء النوم غير REM في الأفراد الذين يعانون من ID، إلا أن النتائج لا تزال غير متسقة. اقترحت دراسة تحليلية شاملة نشاط بيتا أعلى في ID مقارنة بضوابط النوم الجيد (GSCs)، ومع ذلك، أسفرت الدراسات اللاحقة عن نتائج مختلطة. تؤكد الورقة على الحاجة إلى إطار تحليلي متعدد الأبعاد يأخذ في الاعتبار الفروق الفردية في طيف EEG عبر الليالي، بدلاً من الاعتماد فقط على مقارنات المجموعة المتوسطة من دراسات ليلة واحدة. لمعالجة هذه الفجوات، يقترح المؤلفون استخدام نماذج التعلم الآلي المدفوعة بالبيانات للتحقيق في ملفات EEG الطيفية المكانية في الأفراد الذين يعانون من درجات متفاوتة من ID وGSCs، بهدف التمييز ما إذا كانت هذه الملفات مميزة وثابتة عبر الليالي. تتضمن الدراسة أيضًا تحليل المكونات غير الدورية لفهم التباين الفردي في الفسيولوجيا الدماغية المرتبطة بالنوم، مما يوفر رؤية شاملة لديناميات النوم في الأرق.
طرق
في هذا القسم، يصف المؤلفون الطرق المستخدمة لتقليل الأبعاد في تحليل ديناميات موجات الدماغ. استخدموا تقنية التضمين الجار stochastic الموزع (t-SNE) كطريقة غير خطية لتقليل الأبعاد، مدعومة بتحليل المكونات الرئيسية (PCA) للت initialization لتعزيز الكفاءة الحسابية. كانت بيانات الإدخال تتكون من قيم كثافة الطيف الترددي (PSD) من تسعة نطاقات ترددية عبر 20 قناة EEG، والتي تم تقليلها من مجموعة ميزات ذات 180 بعدًا إلى بعدين للتصور في مخططات التشتت. تم تنفيذ هذه الطرق باستخدام scikit-learn (الإصدار 1.3.2)، حيث استخدم t-SNE المسافة الإقليدية كمعيار للمسافة، ومعدل تعلم تلقائي، وحد أقصى من 1000 تكرار، مع الحفاظ على إعداد تعقيد يبلغ 30.
بالإضافة إلى ذلك، قام المؤلفون بإنشاء مصفوفة تشابه عن طريق اختيار نصف أزواج فترات النوم بشكل عشوائي بناءً على قيم PSD، مصنفة حسب مرحلة النوم والمشارك. تم حساب المسافات الإقليدية بين هذه الأزواج لتسهيل التحليل الإضافي لديناميات موجات الدماغ خلال مراحل النوم المختلفة.
نتائج
يقدم قسم النتائج تحليلًا شاملاً لبيانات EEG أثناء النوم عبر مجموعتين مستقلتين. يتم تنظيمه في ثلاثة مكونات رئيسية: أولاً، وصف تفصيلي لبيانات EEG أثناء النوم؛ ثانيًا، فحص ديناميات بنية النوم من خلال تحليل احتمالية انتقالات مراحل النوم، باستخدام طريقة سلسلة ماركوف في كل من مجموعات ID وGSC؛ وثالثًا، تصنيف إشراف على ملفات EEG الطيفية المكانية.
تسلط النتائج الضوء على الخصائص المميزة لبنية النوم وديناميات انتقالات المراحل، مما يوفر رؤى حول الطبيعة الاحتمالية لحالات النوم. تسهل تطبيق طريقة سلسلة ماركوف فهمًا أعمق للانتقالات بين مراحل النوم المختلفة، بينما يعزز التصنيف الإشرافي القدرة على تصنيف ملفات EEG بشكل فعال. بشكل عام، تسهم هذه النتائج في فهم أنماط النوم وآلياتها العصبية الكامنة.
مناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على نتائج مهمة تتعلق بتوقيعات EEG المرتبطة بالأرق. قامت الدراسة بتحليل بيانات EEG من 198 موضوعًا عبر مجموعتين مستقلتين، وكشفت أنه بينما كانت أنماط EEG الخاصة بالفرد قوية وتشبه السمات، لم تكن هناك تغييرات كبيرة في طيف قوة EEG مرتبطة بشدة الأرق. تشير النتائج إلى أن النشاط القشري عالي التردد، وخاصة في نطاقات بيتا وغاما، يلعب دورًا حاسمًا في تمييز توقيعات EEG الفردية، بغض النظر عن حالة الأرق. يتناقض هذا مع الدراسات السابقة التي اقترحت تغييرات EEG مرتبطة بالأرق، حيث استخدمت التحليل الحالي طرقًا غير إشرافية كانت عمياء عن هوية المشاركين، وبالتالي تركزت على ميزات النشاط الدماغي الفريدة.
علاوة على ذلك، وجدت الدراسة أن الأرق كان مرتبطًا بانتقالات مراحل النوم المضطربة، والتي تتميز بزيادة فترات اليقظة وتقليل الاستقرار في نوم NREM، بينما ظلت استمرارية نوم REM سليمة. كانت الدقة العالية لنماذج التعلم الآلي في تصنيف الأرق من بيانات EEG مشروطة باستخدام نفس الأفراد للتدريب والاختبار، حيث انخفض الأداء بشكل كبير عند الاختبار عبر ليالٍ أو مشاركين مختلفين. يبرز هذا التباين تعقيد ميزات EEG المرتبطة بالأرق ويقترح أن الفروق الفردية قد تحجب الخصائص على مستوى المجموعة. بشكل عام، تؤكد النتائج على الحاجة إلى مزيد من الاستكشاف للأهمية الوظيفية للنشاط عالي التردد أثناء النوم وتأثيرات التباين بين الأفراد في فهم الأرق.
القيود
يسلط قسم القيود الضوء على نقص في التشغيل القياسي للأرق، مشيرًا إلى التناقضات في المعايير السريرية عبر أنظمة التصنيف التشخيصية الرئيسية، بما في ذلك DSM-IV وDSM-V وICSD-R وICSD-3 وICD-10 وICD-11. تعقد هذه التناقضات اكتشاف وتشخيص الأرق، الذي يعتمد بشكل أساسي على المؤشرات الذاتية، مثل مؤشر شدة الأرق (ISI). على الرغم من هذه التحديات، أفادت الدراسة بمعدل اتفاق مرتفع بين درجات ISI والتشخيصات السريرية للأرق من خلال التحقق المتبادل.
بالإضافة إلى ذلك، تتناول الدراسة تفسير نشاط EEG أثناء النوم، مشيرة بشكل خاص إلى أن الإشارات التي تتجاوز 50 هرتز قد تكون أكثر دلالة على النشاط العضلي بدلاً من النشاط الدماغي البحت. تشير هذه النتيجة إلى الحاجة إلى اعتبار دقيق لإشارات EMG عند تحليل أنماط النوم، حيث قد تؤثر على فهم الأسس الفسيولوجية للأرق.
DOI: https://doi.org/10.1038/s41598-025-34509-y
PMID: https://pubmed.ncbi.nlm.nih.gov/41495162
Publication Date: 2026-01-06
Author(s): Markus Kyllönen et al.
Primary Topic: Sleep and related disorders
Overview
This research investigates the electroencephalogram (EEG) activity associated with insomnia disorder (ID) using machine learning techniques on two independent datasets comprising 198 subjects over two nights. The study reveals that sleep EEG spectral features can differentiate individuals with ID from good sleeper controls (GSCs) only when the same participants are used for both training and testing, suggesting that individual EEG signatures are more influential than general ID-related patterns. Further analyses indicate that these signatures exhibit trait-like stability and are primarily driven by high-frequency cortical activity, which is linked to cortical arousal during sleep. Notably, this high-frequency activity is not exclusive to ID but reflects individual variability in sleep EEG signatures.
The findings emphasize the necessity of a precision brain health framework that focuses on deviations from an individual’s neural baseline rather than relying solely on group-level comparisons. This approach highlights the importance of monitoring EEG continuity and disruptions at the individual level to gain deeper insights into insomnia. The authors advocate for repeated EEG measurements within individuals to capture temporal changes and unique intra-individual dynamics, which could enhance the understanding of insomnia’s underlying mechanisms and inform the development of personalized treatment strategies.
Introduction
The introduction of the research paper discusses the complexities surrounding insomnia disorder (ID) and its associated brain activity during sleep, highlighting the discrepancies between subjective experiences of insomnia and objective measures derived from electroencephalogram (EEG) recordings. The prevailing theory suggests that hyperarousal—whether somatic, cognitive, or central nervous system-related—plays a critical role in ID, leading to fragmented sleep patterns and increased misperception of sleep. The biological underpinnings of this hyperarousal are linked to locus coeruleus-noradrenaline (LC-NA) activity, which may disrupt normal sleep processes and contribute to chronic insomnia.
Despite previous studies indicating increased high-frequency cortical activity, particularly beta activity during non-REM sleep in individuals with ID, findings remain inconsistent. A meta-analysis suggested higher beta activity in ID compared to good sleeping controls (GSCs), yet subsequent studies have yielded mixed results. The paper emphasizes the need for a multidimensional analytical framework that considers individual differences in EEG spectra across nights, rather than relying solely on average group comparisons from single-night studies. To address these gaps, the authors propose employing data-driven machine learning (ML) models to investigate spatio-spectral sleep EEG profiles in individuals with varying severities of ID and GSCs, aiming to discern whether these profiles are distinct and stable across nights. The study also incorporates aperiodic component analysis to better understand individual variability in sleep-related brain physiology, thereby providing a comprehensive view of sleep dynamics in insomnia.
Methods
In this section, the authors describe the methods employed for dimension reduction in analyzing brain wave dynamics. They utilized the t-distributed stochastic neighbor embedding (t-SNE) as a nonlinear dimension reduction technique, complemented by principal component analysis (PCA) for initialization to enhance computational efficiency. The input data consisted of power spectral density (PSD) values from nine frequency bands across 20 EEG channels, which were reduced from a 180-dimensional feature set to two dimensions for visualization in scatter plots. The implementation of these methods was carried out using scikit-learn (version 1.3.2), with t-SNE employing Euclidean distance as the distance metric, an automatic learning rate, and a maximum of 1000 iterations, while maintaining a perplexity setting of 30.
Additionally, the authors constructed a similarity matrix by randomly selecting half of the sleep epoch pairs based on the PSD values, categorized by sleep stage and participant. The Euclidean distances between these pairs were calculated to facilitate further analysis of the brain wave dynamics during different sleep stages.
Results
The results section presents a comprehensive analysis of sleep EEG data across two independent datasets. It is organized into three main components: first, a detailed description of the sleep EEG data; second, an examination of sleep architecture dynamics through the probability analysis of sleep phase transitions, employing the Markov chain method in both the ID and GSC datasets; and third, a supervised classification of EEG spatio-spectral profiles.
The findings highlight the distinct characteristics of sleep architecture and the dynamics of phase transitions, providing insights into the probabilistic nature of sleep states. The application of the Markov chain method facilitates a deeper understanding of the transitions between different sleep phases, while the supervised classification enhances the ability to categorize EEG profiles effectively. Overall, these results contribute to the understanding of sleep patterns and their underlying neural mechanisms.
Discussion
The discussion section of the research paper highlights significant findings regarding the EEG signatures associated with insomnia. The study analyzed EEG data from 198 subjects across two independent datasets, revealing that while individual-specific EEG patterns were robust and trait-like, no significant alterations in EEG power spectra were linked to insomnia severity. The results indicate that high-frequency cortical activity, particularly in the beta and gamma bands, plays a crucial role in distinguishing individual EEG signatures, irrespective of insomnia status. This contrasts with previous studies that suggested insomnia-related EEG changes, as the current analysis utilized unsupervised methods that were blind to participant identity, thus focusing on unique brain activity features.
Moreover, the study found that insomnia was associated with disrupted sleep stage transitions, characterized by increased wake periods and reduced stability in NREM sleep, while REM sleep continuity remained intact. The high accuracy of machine learning models in classifying insomnia from EEG data was contingent on using the same individuals for training and testing, with performance significantly declining when testing across different nights or participants. This variability underscores the complexity of insomnia-related EEG features and suggests that individual differences may obscure group-level characteristics. Overall, the findings emphasize the need for further exploration of the functional significance of high-frequency activity during sleep and the implications of interindividual variability in understanding insomnia.
Limitations
The section on limitations highlights the lack of a standardized operationalization of insomnia, noting discrepancies in clinical criteria across major diagnostic classification systems, including DSM-IV, DSM-V, ICSD-R, ICSD-3, ICD-10, and ICD-11. This inconsistency complicates the detection and diagnosis of insomnia, which predominantly relies on subjective indicators, such as the Insomnia Severity Index (ISI). Despite these challenges, the study reported a high agreement rate between ISI scores and clinical diagnoses of insomnia through cross-validation.
Additionally, the research addresses the interpretation of sleep EEG activity, specifically noting that signals above 50 Hz may be more indicative of muscle activity rather than purely brain activity. This finding suggests the need for careful consideration of EMG signals when analyzing sleep patterns, as they may influence the understanding of insomnia’s physiological underpinnings.