夜雨聆风2026年4月17日，北京师范大学心理学部认知神经科学与学习国家重点实验室、IDG/麦戈文脑科学研究院、北京脑科学与类脑研究所柳昀哲课题组在《Neuron》在线发表论文“Interpreting Human Sleep Activity Through Neural Contrastive Learning”。
睡眠并不是大脑“关机”，而是大脑整理记忆、重组信息的重要阶段。这项工作是AI与脑科学深度交叉的一项新进展。研究团队提出了睡眠记忆解码框架 Sleep Interpreter（SI，“思”模型）。简单来说，它尝试让AI从睡眠脑电中读出与语义内容相关的神经活动，进一步判断睡眠中哪些记忆正在被重新激活。依托135名被试的大规模脑电数据，团队实现了跨被试、零样本语义解码。模型无需为每位新被试单独训练，也能在新个体上识别其睡眠中被重现的语义记忆信息。在此基础上，团队还搭建了可实时运行的睡眠分期与阶段特异性内容解码系统，为睡眠记忆研究、闭环睡眠干预，以及认知脑机接口的发展提供了新的方法学基础。
越来越多研究表明，人们在白天形成的经验，会在睡眠中被重新激活和“重播” （replay），这一过程被认为是记忆巩固的重要机制。但是，与能够直接记录神经元放电的动物研究不同，人类睡眠研究主要依赖头皮脑电图（EEG）。而睡眠脑电中最显著的，往往是慢振荡等大幅度节律活动，这些强背景信号很容易掩盖与具体记忆内容相关的微弱表征，也使基于清醒状态训练的解码器难以直接泛化到睡眠状态。
为解决这一问题，团队设计了“目标语义重激活”（Targeted Semantic Reactivation，TSR）任务。实验中，被试先在清醒状态下学习15组语义一致的图片—声音配对，例如“绵羊图片—羊叫声”。进入睡眠后，研究人员再次播放这些声音线索，在尽量不干扰自然睡眠的前提下，追踪大脑何时可能重新激活了相应的语义信息（图1）。主实验共纳入135名健康成年被试，最终获得 约 1000小时睡眠记录 和400小时清醒记录，构建了大规模、标注精细的人类睡眠语义解码数据资源。
图1 目标语义重激活任务与大规模睡眠语义解码数据集
在方法上，团队提出了多域睡眠解码模型 SI-MD。可以把它理解为：让AI同时学习清醒时“看图”的脑信号、清醒时“听声音”的脑信号，以及睡眠中听到提示音后的脑信号，再把它们放到同一个语义空间里比较。这样一来，AI就能把“同一概念”在不同脑状态下的活动对齐，把“不相关概念”区分开，从复杂的睡眠节律背景中提取真正与记忆内容相关的信息。这也是AI+脑科学在睡眠研究中的一个关键进展。
结果显示，在零样本、跨被试测试中，SI在非快速眼动睡眠NREM 2/3期和快速眼动睡眠REM期的15分类任务中，准确率分别达到 22.82% 和 19.27%。在这一任务中，随机水平仅为 6.67%，而SI的表现显著优于多种线性模型和深度学习基线（图2）。这表明，睡眠中的语义记忆重激活并非不可读出，而是能够被模型以显著高于基线的水平识别。
图2 神经对比学习支持跨清醒与睡眠状态的零样本语义解码
研究还进一步找到了睡眠中最有利于解码记忆内容的关键时间窗口。团队发现，解码效果并不是在整个睡眠过程中平均分布的，而是在慢振荡由下降相过渡到首次上升相时达到最高，也就是慢波活动即将转入上升的时刻。这个时间窗同时也是纺锤波最活跃、慢振荡与纺锤波耦合最明显的阶段。
进一步分析表明，慢振荡相位和纺锤波的存在都会独立提升解码正确率，而且两者的作用可以叠加（图3）。研究人员进一步选取耦合事件更丰富的样本重新训练模型后，整体解码性能得到进一步提升。这提示，特定节律耦合窗口可能正是睡眠中记忆内容最容易被外显、也最容易被可靠读取的神经时间窗。
图3 慢振荡与纺锤波耦合是睡眠语义记忆解码的重要生理窗口
为进一步检验模型的泛化能力，团队开展了两项独立验证实验。
第一项实验采用经典的“目标记忆重激活”（Targeted Memory Reactivation，TMR）范式。与主实验不同，这一实验使用的是不携带语义信息的任意声音作为提示线索。结果显示，在不重新训练模型的情况下，SI仍能正确区分被提示的概念，而且解码概率与被试睡后的记忆提升相关（图4）。
图4 SI可在经典TMR范式中捕捉非语义声音提示引发的记忆重激活
第二项实验则完全不播放任何声音线索，用于检验模型能否识别自发性的记忆重激活。结果发现，即使没有外部提示，SI仍可从与慢振荡相关的脑电片段中解码出与当次学习内容一致的语义偏向，而且解码概率能够预测个体后续的记忆保持水平（图5）。这说明，SI捕捉到的并不只是声音本身的物理特征，而更接近睡眠中大脑自发进行的记忆加工内容。
图5 SI可在无外部提示条件下识别自发性记忆重激活
在此基础上，研究团队进一步搭建了实时睡眠解码系统。该系统包括自动睡眠分期模块 SI-Staging 和阶段特异性语义解码模块。前者仅依赖 3个EEG通道，便可在独立留出的测试被试上实现 90.38% 的专家标注一致率（图6）；后者则在检测到稳定睡眠状态后，对全脑EEG片段进行在线内容解码，并可在毫秒级完成推理输出。
这意味着，该系统不仅能够判断“当前处于什么睡眠阶段”，还能够进一步估计“当前大脑正在处理什么内容”。换句话说，它让脑机接口从“识别状态”迈向“理解内容”，具备了内容感知型认知脑机接口的雏形，也为未来闭环睡眠干预、记忆增强和精准神经调控提供了可行路径。
图6 实时睡眠解码系统
该研究进一步推动了AI与脑科学的深度融合，让研究者不只知道人是否在睡、睡到哪一步，还能开始理解睡眠中的认知加工内容。相关成果为记忆增强、异常记忆调控、睡眠相关脑疾病干预，以及梦境内容的客观评估提供了新的研究基础。
目前，SI已实现跨被试、零样本解码，显示出初步的泛化能力。下一步，课题组将继续突破封闭类别集的限制，面向开放语义空间构建更通用的基础模型，逐步打通从睡眠分期、记忆加工到更广义认知功能表征的技术链路，推动AI+脑科学、认知脑机接口、精准神经调控以及个体化学习与记忆干预的发展。
该研究由柳昀哲课题组完成。陈仲韬、郑晖、周剑阳和郑林为论文共同第一作者，柳昀哲教授为通讯作者，林沛阳、伦敦大学学院教授Ray Dolan及牛津大学教授Tim Behrens作出重要贡献。研究团队特别感谢北京师范大学以及北京脑科学与类脑研究所建立的睡眠实验室，为本研究提供了重要的实验平台支持。
本研究得到国家科技创新2030-“脑科学与类脑研究”重大项目、国家自然科学基金、北京市自然科学基金、中央高校基本科研业务费以及英国痴呆研究所关键问题资助项目支持。
原文链接：https://www.cell.com/neuron/fulltext/S0896-6273(26)00219-9
