人工智能（artificial intelligence，AI）是指通过数字计算机或由其控制的机器来模拟、延伸和扩展人类智能的理论、方法、技术及应用系统。2025年8月26日，国务院印发《关于深入实施“人工智能+”行动的意见》（以下简称《意见》），旨在推动AI与经济社会各行业各领域广泛深度融合，有助于提高全要素生产率，为中国式现代化注入强大动力，对更好服务中国式现代化建设起到至关重要的战略作用。《意见》的出台宣告“AI+”时代正式到来，对于争取战略主动、引领技术进步以及推动全球合作具有重要意义。

随着社会现代化和人口老龄化，睡眠障碍的发病率迅速升高，以睡眠-觉醒障碍为例，全球发病率为27%，而我国高达38.2%^[1-2]，睡眠障碍已成为全球性的公共卫生问题。传统睡眠医学主要依赖多导睡眠监测（polysomnography，PSG）作为诊断的“金标准”，但这种方法存在明显局限性：需要患者在实验室环境中过夜监测，设备昂贵，操作复杂，且对电生理信号的解读需要经验丰富的医技人员进行烦琐耗时的人工分析。这一过程容易受到主观因素影响，可及性差，难以进行大规模筛查和长期监测。

AI技术的兴起为睡眠医学带来了革命性的变化。AI通过机器学习、深度学习和迁移学习等方法能够自动、高效、精准地分析睡眠数据，避免主观误差，减轻医生工作负荷。特别是随着可穿戴设备的普及和计算能力的提升，AI在睡眠医学中的应用正从“辅助工具”升级为“核心驱动力”，为睡眠障碍的评估、诊断和干预提供了全新解决方案。本综述将系统分析AI技术在睡眠监测、睡眠障碍诊断和个体化干预等方面的应用进展，探讨当前面临的技术挑战，并展望未来发展方向，为研究者和临床工作者提供全面参考。

1   AI在睡眠监测与分期中的应用

1.1   基于多模态数据的睡眠监测

1.1.1   从生理指标监测到睡眠障碍诊断

随着可穿戴设备的迅速发展，睡眠管理迎来了突破性的技术革新。可穿戴设备的核心功能在于通过多模态传感器对睡眠期间生理参数的持续捕获。以智能手表为例，其搭载的心率传感器、加速度计和血氧饱和度监测模块可实时记录睡眠周期中体动频率、心率变异性、呼吸暂停事件等数据，并经算法分析这些信息生成包含睡眠效率、深浅睡眠时长、微觉醒次数等指标的详细报告。

研究显示某品牌智能手环对阻塞性睡眠呼吸暂停（obstructive sleep apnea，OSA）的初筛准确度达82.7%，与实验室PSG检查的一致性显著（Kappa＝0.71）^[3]。这种便携的监测方式不仅降低了传统PSG检查的时间和经济成本，更能通过连续的居家监测捕捉偶发睡眠事件，弥补了单次实验室检查的局限性。

1.1.2   慢性病管理中的睡眠干预新方案

对于合并睡眠问题的慢性病患者，可穿戴设备正推动“监测-干预-反馈”闭环管理模式的落地。以高血压患者为例，夜间睡眠期间的血压波动情况与靶器官损害密切相关。借助具有血压监测功能的可穿戴设备，医生可动态观察患者在不同睡眠阶段的血压变化规律，结合睡眠呼吸事件分析，精准判断是否需调整降压药物使用时间或启动睡眠呼吸治疗。

在糖尿病领域，睡眠时长不足与胰岛素抵抗的相关性已被证实。可穿戴设备通过监测患者入睡时间、总睡眠时间，配合血糖波动曲线，帮助医生制定个体化睡眠健康教育方案。美国糖尿病协会2024年更新的指南中首次将可穿戴设备的睡眠数据纳入糖尿病综合管理评估体系^[4]。

1.2   睡眠分期的自动化算法

对睡眠质量的评定、睡眠障碍的诊断而言，准确进行睡眠阶段分期必不可少。传统的睡眠分期方法通常依赖人工分析PSG数据，不仅耗时费力，还容易受到主观因素的影响。在自动睡眠分期的研究过程中，研究人员首先引入了机器学习模型^[5]。机器学习模型无法实现高精度的睡眠分期，因此研究者开始使用深度学习模型^[6]，该模型通过模拟人脑解释数据信息的机制进行分析和学习。常见的深度学习模型有以下几类。

1.2.1   卷积神经网络（convolutional neural network，CNN）

CNN是一种深度学习中的前馈神经网络，适用于图像、语音、文本等具有局部结构特征的数据。CNN可以对PSG中的脑电图、眼电图和肌电图等数据进行特征提取和分类。

1.2.2   循环神经网络（recurrent neural network，RNN）

CNN对睡眠数据等序列数据的时序关系的捕捉分析能力较弱，所以研究者提出RNN，其主要用于语音识别^[7]、生物信号处理^[8]等序列数据的处理。

1.2.3   混合模型架构

RNN无法有效学习序列数据的长期依赖关系，所以长短期记忆神经网络（long short-term memory）和门控循环单元（gated recurrent unit）被相继提出。同时，研究者尝试结合CNN和长短期记忆神经网络/门控循环单元以构建混合模型，这些混合模型结合了CNN在睡眠数据特征提取方面的优势和长短期记忆神经网络/门控循环单元在捕捉睡眠阶段时序依赖性方面的能力，提高了模型的睡眠分期准确率^[9-12]。

2   AI在睡眠障碍诊断与干预中的应用

2.1   OSA的诊断与监测

OSA是最常见的睡眠障碍之一，传统诊断方法需要患者在睡眠实验室进行整夜监测，费用高昂且等待时间长。AI技术在OSA的诊断和监测方面带来了显著改进。（1）家庭检测设备：AI-powered工具通过分析患者在家中使用的简易监测设备收集的数据，如鼾声、呼吸气流、心率变异性等，准确判断患者是否患有OSA及病情的严重程度。这些工具利用机器学习算法对大量的OSA患者和健康对照的数据进行学习和训练，诊断准确度已经与医院的PSG相当。例如，CNN-长短期记忆神经网络模型对OSA的检测准确度达到96.1%^[13]。（2）风险预测与早期筛查：通过分析可穿戴设备收集的长期监测数据，AI算法可以识别OSA的早期迹象，及时提醒用户就医检查。这种连续监测和智能预警的能力对于高危人群（如肥胖、高血压患者）的早期干预尤为重要^[14]。

Nettleton等^[15]通过聚合算法筛选OSA患者，并应用睡眠问卷对患者的呼吸紊乱指数实际值和AI预测值之间的相关性进行元数据分析。Sun等^[16]通过遗传算法利用问卷数据识别呼吸暂停低通气指数≥15的受试者，灵敏度为88%，特异度为97%。Mullins等^[17]通过深度CNN和双向长短期记忆网络分析PSG中的电生理数据，如脑电情况，以预测OSA的严重程度。Urtnasan等^[18]通过CNN分析睡眠期间的心率和心率变异性来筛查OSA。

2.2   失眠的数字化疗法

失眠的治疗方式分为药物治疗和非药物治疗。尽管药物治疗在短期内效果显著，但长期使用可能会带来不良反应和依赖性问题^[19]。非药物治疗涵盖心理治疗、物理治疗等^[19]，其中心理治疗主要采用失眠认知行为疗法（cognitive behavioral therapy for insomnia，CBT-Ⅰ）。CBT-Ⅰ的过程复杂，治疗成本高，对治疗师要求较高，且受时间和空间限制。近年来，随着信息技术的发展，失眠数字疗法（digital therapy for insomnia）应运而生，该疗法不受时间和空间限制，且治疗成本不高，效果与CBT-Ⅰ相近^[20]。目前，常见的失眠数字疗法包括以下几类。

2.2.1   数字化失眠认知行为疗法（digital cognitive behavioral therapy for insomnia，dCBT-Ⅰ）

dCBT-Ⅰ通过在线程序和应用程序等多媒体互动方式提供一系列失眠相关CBT-Ⅰ课程，用户通过手机应用程序或网页平台接受治疗^[21-24]。研究显示，dCBT-Ⅰ可以降低失眠患者的失眠严重程度、夜间和日间功能损害，还可以减少对睡眠药物的依赖性^[25]。dCBT-Ⅰ改善主观睡眠质量、睡眠效率、入睡后清醒时间、睡眠潜伏期、总睡眠时间和夜间觉醒次数的效果也与传统CBT-Ⅰ相当^[26]。

2.2.2   数字化失眠短程行为疗法（digital brief behavioraltherapy for insomnia）

失眠短程行为疗法主要通过睡眠限制和刺激控制等行为干预来调节内稳态和昼夜节律。数字化失眠短程行为疗法是将失眠短程行为疗法的原则和技术通过在线平台或应用程序的形式提供给用户。研究显示，数字化失眠短程行为疗法不但能降低失眠严重程度，改善睡眠潜伏期、总清醒时间、睡眠效率和睡眠质量^[27]，还能提高临床缓解率和降低复发率^[28]。

2.2.3   虚拟现实技术

AI与虚拟现实技术协同运作可生成定制化场景（如森林漫步、海浪声等），通过沉浸式体验缓解睡前焦虑情绪，减少觉醒次数，增加总睡眠时间，提高睡眠质量^[29]。

2.3   个体化睡眠健康管理

AI技术正在推动睡眠健康管理从“通用型”向“个体化”转变。

2.3.1   健康大语言模型的应用

谷歌开发的个人健康大语言模型（personal health large language model，PH-LLM）基于Gemini Ultra 1.0微调，能够将可穿戴设备中的数据转化为可视化内容，提供个体化的睡眠和健康建议。测试显示，PH-LLM在睡眠医学考试中的得分（79%）超过人类医生（76%），在健康体能考试中更是达到88%的正确率（人类医生为71%）^[30]。

2.3.2   智能睡眠环境调控

AI系统可以整合多源数据（包括生理参数、环境因素和个人偏好），自动调节卧室环境（如温度、湿度、光线、声音），创造最优的睡眠条件。例如，AI驱动的智能减压床垫可以显著预防中高危压力性损伤，有效降低术后长期卧床患者压力性损伤和并发症的发生率，减轻压力性损伤的严重程度，提高患者的睡眠质量^[31]。

3   AI应用的技术挑战与局限性

3.1   数据隐私与安全问题

AI的发展高度依赖大量的数据，在收集和使用患者的睡眠监测数据、基因数据等过程中，数据隐私问题成为了一个关键挑战。这些数据包含了患者的个人敏感信息，如果泄露将对患者的隐私造成严重侵犯。目前虽然已经有一些数据加密和访问控制技术，但在实际应用中仍然需要建立更加完善的数据隐私保护机制。建议建立分层授权机制与分布式存储体系，明确数据使用边界，使患者对自身信息的控制权从“被动同意”转向“动态管理”，真正实现“数据可用不可见”的安全愿景^[32]。

3.2   算法偏见与泛化问题

算法偏见是AI领域普遍存在的问题，在睡眠医学中也不例外。由于训练数据的局限性（如数据来源单一、样本量不足等），算法在学习过程中可能出现偏见。这种偏见可能会使算法对某些特定群体（如特定种族、年龄段或性别）的诊断或预测结果出现偏差，从而影响医疗决策的准确性和公正性。例如，如果训练数据中OSA患者以某一特定种族或年龄段为主，那么算法在对其他种族或年龄段患者进行诊断时可能会出现误诊或漏诊的情况。

3.2.1   训练数据的谱系偏差与多元异质性挑战

当前多数AI睡眠模型依赖有限来源的训练数据集，这些模型普遍存在以下3类偏差源。

（1）人群代表性偏差：主流公开数据库如Sleep-EDF数据库、蒙特利尔睡眠研究档案数据库等主要收录欧美中青年健康志愿者数据，导致模型在老年人群（＞65岁）、儿童、少数族裔（如亚裔、非洲裔）及女性群体中的性能不足^[33]。

（2）设备代际差异引发的测量偏置：不同品牌、型号的可穿戴设备（如Apple Watch Series 4 vs 8）在信号采样率、运动伪影校正算法上存在显著差异，这导致跨设备数据分布漂移，影响模型泛化能力^[34]。

（3）数据采集场景的单一性：多数训练数据来自实验室环境下的PSG同步记录，缺乏真实世界中噪声干扰、佩戴松动、用户依从性波动等复杂情境，削弱了模型的实际部署稳定性^[35]。

3.2.2   偏差矫正的技术路径与框架建议

为应对上述挑战，亟须建立多层次的偏差管理框架，主要包括以下3种策略。

（1）分层再训练：按年龄、性别、BMI等维度对训练集进行分层抽样，并针对性微调模型权重，确保各子群体均有充分表征，在dCBT-Ⅰ系统中按年龄段（＜40、40~65、＞65岁）分别优化干预节奏与内容推送策略^[33]。

（2）域自适应：利用无监督或半监督学习方法，将源域（如实验室PSG）知识迁移到目标域（如居家可穿戴数据），减少分布差异带来的性能衰减，使用对抗训练法对齐不同设备间的心率变异性特征空间分布^[34]。

（3）基准数据集建设：构建覆盖多民族、全生命周期、多设备类型的标准化开源数据集，推动公平性评估标准化^[35]。实现算法公平性的关键不仅在于模型本身，更在于构建“数据-模型-验证”全链条的透明化治理体系，唯有如此AI才能真正服务于多元化人群的睡眠健康需求。

3.3   模型可解释性与临床接受度不高

AI模型（特别是深度学习模型）常被视为“黑箱”^[36]，其决策过程难以理解和解释，这降低了临床医生对AI系统的信任和接受度。在医疗领域，可解释性不仅关乎信任，更直接影响治疗决策的安全性和有效性。医生需要了解AI做出特定建议或诊断的依据，以更好地将其与临床经验和患者具体情况相结合。因此，开发可解释AI技术和提高模型透明度是推动AI在睡眠医学中临床应用的关键。

3.4   技术标准化与临床验证缺失

目前，将AI技术整合到临床实践中还缺乏标准化的方法。不同的AI模型、可穿戴设备及检测工具在数据采集、处理和分析方法方面存在差异，导致其结果的可比性和可靠性受到影响。此外，对于AI辅助诊断和治疗的结果，临床医生也缺乏统一的解读和应用标准。这使得AI技术在临床推广和应用过程中存在障碍。大多数AI算法仅在有限的数据集上进行验证，缺乏大规模、多中心的临床验证，难以证明其在实际临床环境中的有效性和可靠性。未来需要建立多中心、大规模的真实世界研究，验证AI算法在多样人群中的有效性。

3.5   医生与患者教育不足

尽管AI在睡眠医学中展现出了巨大的潜力，但许多临床医生和患者对AI技术的了解和应用能力仍然有限。这主要是由于医学教育中对AI相关知识的普及不足，导致临床医生在面对AI辅助诊断和治疗工具时存在使用不熟练、解读不准确等问题。为了充分发挥AI的优势，需要加强对临床医生的AI知识培训，提高他们对AI技术的理解和应用能力，使其能够更好地将AI技术与临床实践结合。

4   AI应用未来展望

4.1   未来技术创新方向

AI在睡眠医学中的发展将集中在以下几个技术方向。（1）多模态数据融合：多模态数据融合能够弥补单一数据源的局限性，提高模型的鲁棒性和准确性。通过整合来自多源的数据（如脑电图、心电图、呼吸信号、体动、环境数据等），AI可以提供更全面、准确的睡眠评估。（2）生成式AI与大语言模型：生成式AI可以创建合成数据解决数据稀缺问题，还可以用于生成个体化的睡眠建议和健康教育内容。大语言模型（如PH-LLM）能够理解自然语言描述的症状，提供专业水平的健康建议。（3）自适应学习与个体化建模：自适应学习能力可以使AI系统适应用户随时间变化的需求和状况。未来的AI系统将能够持续学习用户的个人数据，不断调整和优化模型，提供更加个体化的睡眠评估和干预建议。

4.2   临床应用拓展

AI在睡眠医学中的临床应用将进一步拓展。（1）预防性与前瞻性医疗：通过长期、连续的睡眠监测，AI可以识别睡眠模式的细微变化，提前发现潜在健康问题，实现早期干预和预防性医疗。例如，睡眠模式的改变可能是精神健康问题或神经退行性疾病的早期征兆。（2）跨学科整合：睡眠与多种健康问题密切相关，未来AI系统将更好地整合睡眠医学与神经病学、心脏病学、内分泌学等其他医学专科，提供更全面的健康管理方案。（3）精神健康共病管理：睡眠障碍与抑郁、焦虑等精神健康问题常常共存，AI系统可以同时监测和管理睡眠与精神健康状态，提供整合干预方案，改善整体健康结局。

4.3   睡眠AI产业发展与商业化

睡眠AI产业将呈现以下几个发展趋势。（1）智能硬件创新：更多集成AI技术的智能睡眠产品将涌现，如智能床垫、枕头、头带等，这些产品更加注重用户体验、舒适度，并无缝集成到日常生活。（2）服务模式转型：企业将从单纯销售硬件产品向提供“产品+服务”的混合模式转型，通过订阅制服务提供持续的健康监测和个体化指导。（3）跨场景生态建设：打造家庭-旅居-工作全场景睡眠健康生态，实现用户在不同场景下的一致睡眠体验。

4.4   政策与伦理框架构建

随着AI在睡眠医学中的应用日益广泛，需要建立相应的政策与伦理框架。（1）监管标准：建立AI医疗产品的审批和监管标准，确保安全性、有效性和隐私保护性。监管机构需要借助政策引导建立标准体系，科研院所深入开展基础性研究，产业界则需聚焦产品研发与临床应用的有效对接。（2）伦理指南：制定AI在睡眠医学中的应用伦理指南，确保算法公平性、透明度和问责机制，防止算法偏见和歧视。（3）数据治理框架：建立健康数据的管理和使用规范，平衡数据利用与隐私保护，赋予用户对自己数据的控制权。

需要注意的是，尽管AI在睡眠数据分析与建议生成方面表现优异，但其本质仍是基于统计规律的预测系统，缺乏临床情境理解、共情能力和综合决策素养。例如，患者的心理状态、生活环境、合并症等因素需由专业医生综合评估。因此，AI应被视为医生的“智能助手”，最终诊断与治疗方案仍须由具备相应资质的医疗人员主导制定。

5   小结

AI正深刻重塑睡眠健康管理体系，从传统的实验室依赖型模式迈向智能化、个体化的新范式。AI不仅提升了睡眠监测与分期的效率和客观性，也在OSA筛查、失眠数字疗法等领域展现出显著潜力。然而，其广泛应用仍受限于数据安全、算法公平性、模型“黑箱”问题以及临床落地标准缺失等瓶颈。其未来的发展需依托多学科协作，在技术创新的同时加强伦理规范与真实世界验证。需强调的是，AI的价值并非取代医生，而是作为强有力的辅助工具，用于增强临床决策能力，扩大优质医疗服务的可及性。唯有实现人机协同，方能真正构建高效、普惠的睡眠健康新生态。