“无论意识是什么，都绝对不是一种计算。或者它不是一个可以用计算来描述的物理过程“
——罗杰·彭罗斯
我们如何了解睡眠？
除了个体的主观感知、手环监测的生理指标、各种睡眠行为观察，还有一个最重要的“金标准”：脑电波。
脑电波
人的大脑是由数以万计的神经元组成的，脑电波就是这些神经元之间的活动产生的电信号，这些神经元之间的连接有的是兴奋的，有的是抑制的。
思维活动就是反应这些神经元之间的联系，大脑中的神经元会接收来自其他神经元的信号，当这些信号的能量积累量超过一定的阈值时，就会产生脑电波。
为了检测到脑电波，人们通常将电极放置在人的头皮上来检测脑电波信号，再应用相关的设备进行脑波的收集与处理，并可视为一种波形图——脑电图。
脑电图的常见应用场景有两种：一是医学疾病诊断，二是相关科学研究。
使用脑电图能帮助人们观察到睡眠时大脑的活动状况，实际上，睡眠领域的一个重大发现——睡眠分期，也是通过脑电图发现的。
睡眠分期
根据睡眠过程中脑电表现，眼球运动情况和肌肉张力的变化将睡眠分为两种不同的时相，即非眼球快速运动睡眠（NREM）和眼球快速运动睡眠（REM）。
人的睡眠，一夜中大约有4～6个睡眠周期出现，互相连接，周而复始。正常人睡眠首先进入NREM睡眠期，并迅速由1期依次进入2期，3期，4期并持续下去。
在NREM睡眠期持续80-120分钟后出现第一次REM睡眠，持续几分钟后进入下一次NREM睡眠，形成NREM睡眠与REM睡眠循环周期，平均每90分钟出现一次REM睡眠，越接近睡眠后期REM睡眠持续时间逐渐延长。每次可持续10-30分钟。
那么睡眠过程中采集到的脑波到底是怎么读的？脑波里面都包含了哪些信息？是不是做梦的内容都能破解？
要想解答这些问题，还需来了解一下当前研究人员都是怎么分析脑电数据的。
【注：为了方便理解，本文用不知名食材的烹饪过程来做类比，需要说明的是，这是一种简单粗暴的类比，只用于辅助理解，并不严谨，不可深究。】
一、数据采集：数据都是怎么来的？
脑电采集的方式，可统称为脑机，一般分为两种：一种是非侵入式的，如佩戴在头部的脑电帽，采集头皮上的电信号；一种是侵入式的，需要将电极植入大脑来直接采集电信号。
脑机接口
脑机接口（Brain Computer Interface，BCI ），指在人或动物大脑与外部设备之间创建的直接连接，实现脑与设备的信息交换。
在单向脑机接口的情况下，计算机或者接受脑传来的命令，或者发送信号到脑（例如视频重建），但不能同时发送和接收信号。而双向脑机接口允许脑和外部设备间的双向信息交换。
两种方式各有优劣，侵入式的由于直接进入大脑内部，可以获得精度更高的信号，但这种方式不仅对技术要求极高，还有损害人脑的潜在风险；而非侵入式由于头部颅骨的阻碍，搜集的信号是被衰减过的，质量不如前者，但伤害性低，且有些设备还能做到简易佩戴。
但还有一点需要注意：脑机所采集到的脑电不是全脑的脑电。电极放在前额处，就只能采集前额叶区域的信号，放在颞叶，则只能采集到颞叶的信号。不过一些脑机设备使用的是多位点采集的方法，也就是同时在多个脑区附近采集信号。
目前脑电数据的来源主要有两个人群：患者和实验室被试。一方面是因为设备成本和技术要求高，未有广泛性的应用；另一方面是脑电数据涉及个人隐私安全问题，因此来源很窄，公开数据集也很少，这就为脑电研究设置了一道高门槛。
而除了数据量，脑机设备采集到的原始数据还存在一些问题，也就是说，不是用了设备就能拿到纯粹的脑电信号，这时候有的，是多种电信号聚集在一起的混杂物，需要做一定的清洗处理。
二、数据清洗：怎么处理这些杂乱无章的数据？
脑电数据的预处理涉及各种信号处理技术，如滤波处理。此外，还需特别注意伪影处理。脑电设备常常会采集到头部周围的其他电信号，如眼电、肌电、交流电等等，伪影处理则是为了去除这种特定的干扰噪声，它们都有特定的波形，因此具备去除的可行性。
伪影处理的技术手段常用的有ICA独立成分分析、小波分析等，近年来不少研究者也采用了深度神经网络技术对伪影进行识别和去除。
【烹饪级理解：就是择菜和洗菜。一把刚从土里拔出来的菜，得把顺带着的各式杂草仔细择出来，并清洗掉泥沙等其他东西。】
三、特征提取：如何找出有用的那些信息
【烹饪级理解：食材变成菜，除了洗干净，还需要将有用的部分分离出来，比如一只鸡，要做肉丝就需要把肉片出来，要做可乐鸡翅就得切出鸡翅。】
脑电数据可以分成各种各样的特征，有些特征可以用于判断睡眠，有些特征可以用于判断梦境。至于到底要看哪些特征、怎么确定特征，目前大致有两种方法：
一是人工特征工程，也就是根据研究者自己的经验，或根据当前学界的研究成果，选择所需的特征，然后交与计算机进行识别提取；
另一种则采用了深度神经网络做自动特征学习，由机器通过对大量的样本进行学习，自行找出它们的共同特征，至于这些特征到底是什么，我们无从得知。
这两种方法也可以结合在一起使用，即人工+机器特征选择。
四、数据分析：如何解答最初的问题？
提取好特征还没完，因为一开始的问题并没有解决。我们只是提取了一些特征，但到底说明了什么信息，却需要把这些特征做综合分析才有可能知道。
这里涉及到的是模型算法的建立，睡眠的脑电特征数据需经过一系列计算之后，才能得出是否正在睡眠、睡眠状态如何的结论。然而，天下算法千千万，睡眠状态又是怎么个算法呢？那就只有试了。
脑电数据模型训练的技术大概有两类：普通的机器学习和深度神经网络。深度神经网络有很多不同的架构，如卷积神经网络CNN、循环神经网络RNN、生成式对抗网络GANs等等。
【烹饪级理解：有如做菜手法中的煎炒烹炸蒸煮炖，不同的做法（神经网络架构）有不同的特点，适用的领域和问题都不一样，这需要靠研究者根据目标、自己和他人的经验自行选择。】
在模型训练过程中，选好了模型架构还不够，还需要用到一些优化方法，如网格搜索、贝叶斯优化等等。这一环节主要是帮助研究者更快地找到合适的参数，就像帮助厨师更快地找到烹饪过程中需要掌握的火候大小和下盐多少，不然就得一遍一遍地试，一点一点地调参，效率太低。
六、模型验证：问题真的有解决好吗？
前面废了九牛二虎之力构建的模型，还需要做进一步的验证分析，如权重分析、模型激活分析。这一过程的主要目的是探索模型的解释性，即为什么这个模型能用、这个参数可行。这是为了避免出现如过拟合这样的非目标结果。
过拟合
指为了得到一致假设而使假设变得过度严格。避免过拟合是分类器设计中的一个核心任务。通常采用增大数据量和测试样本集的方法对分类器性能进行评价。
简单来说就是要验证这个模型确实能解决最初的问题，而不是只能完美处理一开始输入的数据。
【烹饪级理解：要的是能知道任意食材好吃，而不是因为不断练习当前这个食材而导致熟能生巧，只能把当前这个食材做好吃，碰上别的就不行。】
这样一看，好像做脑电识别有手就行，但千万别忘了，里面涉及的每一个环节每一项技术，都需要很强的专业性，量变引起质变，整体难度系数极高。
上述的整个技术过程，实际上是模型建构的过程。了解当前常用的技术手段以及一些技术逻辑，有助于我们理解脑电识别的可能性和边界，从而避免对这种技术的盲目追捧或抗拒。除此以外，我们还需要了解到，这种识别通常不是最终目标，而是其他具体应用的一个辅助手段，如有研究者提出的失眠障碍检测。
至于具体的梦境内容，目前能查到的文献中，脑电能了解梦的大概类型（如噩梦、梦里出现了运动或人），但具体的内容目前尚未有研究能解析出来（如做了什么运动、看见了什么人）。也许以后能有更精细的一一对应，但这有赖于脑科学的整体发展，感兴趣的朋友可以多关注这方面的研究进展。
值得一提的是，根据大脑的活动变化，有研究者还与当前社交媒体常用的推荐算法结合起来，尝试以此为用户推荐更贴近其喜好的内容。而在睡眠领域，也可能可以沿用此法，为人们提供更个性化的睡前内容，以帮助失眠人群更好地入睡。
下次，我们一起讨论推荐算法以及脑电在其中的应用可能性。
参考文献：
[1]Roy, Y., Banville, H., Albuquerque, I., Gramfort, A., Falk, T. H., & Faubert, J. (2019). Deep learning-based electroencephalography analysis: a systematic review. Journal of neural engineering, 16(5), 051001.
[2]百度百科
[3]图源网络
专业指导：
易念科技首席数据分析师李芝喜
易念科技神经实验室主任魏鼎婵
