0 引言

       睡眠障碍可导致飞行员注意力、记忆力、警觉性、判断能力和操作能力等作业能力的下降^[1]。因此，存在睡眠障碍问题的飞行员在执行高强度、高复杂度任务过程中更容易出现困倦、精神懈怠或注意力分散等现象^[2]，从而使飞行耐力降低^[3]、飞行危险程度上升^[4]。既往研究表明，一线作战部队飞行员睡眠障碍的发生率在17.9%~43.6%^{[5, 6, 7, 8, 9]}，提示睡眠问题在飞行员群体中广泛存在，已成为限制空军战斗力、影响飞行安全的关键因素。因此，亟需针对飞行员睡眠障碍这一问题开展深入研究。

       然而，当前研究仍存在如下不足之处：（1）既往研究大多为使用睡眠量表开展的调查研究，研究结果可能受到主观因素的影响；（2）研究深度有所欠缺，缺乏神经机制方面的探索。

       近年来，基于连接组的预测模型（connectome- based predicting modeling, CPM）在基于脑功能影像的多种精神障碍研究中展现出良好的预测效能，包括抑郁症快感缺乏症状评估^[10]、创伤后应激障碍发病风险预测^[11]、网络成瘾程度量化分析^[12]、阿尔茨海默病脑功能变化监测^[13]以及自杀意念筛查^[14]等多个领域。因此，使用CPM模型有望建立飞行员日间嗜睡程度的影像预测模型并分析嗜睡相关的功能网络分布特征。

       本研究纳入了96名空军一线部队飞行员，首先使用相关睡眠量表研究了其日间嗜睡程度、失眠程度及导致其失眠的主要原因，进而借助功能磁共振构建了其全脑功能连接网络，并利用CPM方法^{[15, 16]}建立了飞行员日间嗜睡程度的影像预测模型。最后，本研究分析了预测模型中的大脑功能连接特征，剖析了导致飞行员日间嗜睡的功能网络分布特征。

1 材料与方法

1.1 研究对象

       2023年5月至2024年10月期间，从临潼康复疗养中心招募119名歼击机飞行员，均为男性，大学本科学历。排除标准包括左利手（2人）、未完成睡眠或心理量表测评（8人）、未完成MRI扫描（5人）或扫描过程中患者头部移动幅度过大（8人）。最终纳入96名飞行员受试者，均为右利手，年龄23~50（36.84±6.87）岁。在咨询我校统计学教研室专家后，我们根据估计多组平均值方差公式估算了功效（Power），基于预期的中等效应大小（Cohen's f=0.25）、α错误概率设置为0.05以及期望的统计功效大于0.8，分析表明，为检测组间差异，最小总样本量需达到80例。因此，本研究最终纳入的96名受试者满足这一要求。受试者均为现役飞行员，健康状况较好。由于受试者参与试验时正处于疗养期间，因此近期昼夜节律正常，未参与任何飞行相关任务。本研究遵守《赫尔辛基宣言》，经唐都医院伦理委员会批准（批准文号：第JS-Y-202403-141号），全体受试者均签署了知情同意书。

1.2 量表评测

       Epworth嗜睡程度评价表（Epworth Sleepiness Scale, ESS）由澳大利亚墨尔本Epworth医院睡眠疾病中心于1991年编制，是一种广泛用于评估个体日间嗜睡程度的自评量表。使用ESS量表评估飞行员的日间精神状态，该量表总分为24分，其中评分>6分提示嗜睡，>11分则表示过度嗜睡，>16分提示有危险性的嗜睡。

       使用失眠严重程度指数（Insomnia Severity Index, ISI）评估飞行员的失眠严重程度。该量表包含7个项目，分别评估失眠患者对睡眠质量的满意度、入睡困难程度、睡眠维持困难程度、早醒程度、睡眠问题对日间功能的影响、对失眠问题的关注或担忧程度以及失眠问题造成的困扰程度。每个项目均采用0~4分的五级评分法，总分越高表示失眠越严重。

       使用匹兹堡睡眠质量指数（Pittsburgh Sleep Quality Index, PSQI）评估飞行员的睡眠质量，共包含7个维度，即睡眠质量、入睡时间、睡眠时间、睡眠效率、睡眠障碍、催眠药物、日间功能障碍。每个项目均采用0~3分的四级评分法，总分越高睡眠质量越差。

       使用自评焦虑量表（Self-rating Anxiety Scale, SAS）评估飞行员的焦虑程度，该量表包含20个项目，主要评估各种生活场景下焦虑症状出现的频率，得分越高焦虑症状越严重。

       使用自评抑郁量表（Self-rating Depression Scale, SDS）评估飞行员的抑郁程度，该量表同样包含20个项目，主要评估各种生活场景下的抑郁情绪、身体症状、精神运动行为，得分越高抑郁症状越严重。

1.3 分组

       根据ESS量表得分将受试者分为2组，即正常组[评分≤6分，81人，年龄（37.88±9.39）岁]和嗜睡组[评分>6分，15人，年龄（36.21±7.62）岁]。

1.4 影像数据采集与预处理

       MRI数据采用GE discovery MR750 3.0 T扫描仪（美国通用电气医疗系统公司）及8通道相控阵头部线圈采集。使用泡沫垫限制头部运动，使用耳塞降低扫描噪声。

       使用三维脑容量（three dimension-brain volume, 3D-BRAVO）序列获取高分辨率T1加权成像（T1-weighted imaging, T1WI），参数设置如下：TE 3.2 ms，TR 8.2 ms，FA 12°，FOV 256 mm×256 mm，矩阵256×192，切片厚度1.0 mm，层数188。采用fMRI预处理工具箱（fMRIPrep）^[17]对T1WI数据进行预处理，包括空间标准化至蒙特利尔神经研究所（Montreal Neurological Institute, MNI）空间，并分割为灰质、白质和脑脊液。

       使用梯度回波平面成像（gradient-recalled echo-planar, GRE-EPI）序列获取静息态fMRI数据，参数设置如下：TR 2000 ms，TE 40 ms，FA 90°，层数36，FOV 240 mm×240 mm，矩阵64×64，层厚3 mm，平面空间分辨率3 mm×3 mm，时间点225。采用fMRIPrep和DPABI工具箱对fMRI数据进行预处理。包括：手动剔除伪影较重的图像并重新扫描，删除前10个时间点以确保磁化稳定性以及让参与者适应扫描环境；进行图层时间和头部运动校正，排除头部运动移位>2.5 mm或旋转>2.5°的患者。利用T1加权图像归一化得到的变形场数据，将fMRI数据归一化到MNI空间，然后重采样到3 mm×3 mm×3 mm；然后用6 mm半高全宽各向同性高斯核对fMRI数据进行平滑处理；最后，从时间序列中去除白质、脑脊液、Friston-24头动参数等协变量及线性趋势，并在0.001 Hz~0.01 Hz之间进行带通滤波。

1.5 大脑功能连接网络构建

       使用将全脑划分为116个脑区的自动解剖标记图谱（automated anatomical labelling, AAL-116）构建大脑功能连接矩阵。首先使用Pearson相关分析来计算任意两个大脑区域时间序列的相关程度，然后使用Fisher's Z变换将相关系数转换为标准化Z值。每个参与者最终可得到一个116×116的对称功能连接矩阵。另外，将所有脑区划分为9个宏观脑网络，包括视觉、感觉-运动、背侧注意、腹侧注意、边缘系统、额-顶叶网络、默认模式网络、基底神经节和小脑网络^[18]。

1.6 特征选择与基于连接组的预测建模

       使用CPM方法预测飞行员的日间嗜睡程度：（1）对于每个受试者，输入功能连接矩阵和ESS量表分数；（2）计算功能连接矩阵中每条边与ESS量表分数的Pearson相关性，保留相关显著性P<0.001的功能连接。所有保留的功能连接矩阵相加，得到功能连接整体水平与ESS评分的相关性；（3）建立线性预测模型；（4）模型训练，由于样本量有限，使用留一交叉验证（leave-one-out cross-validation, LOOCV）预测模型效果，即每次抽取一名受试者作为测试集，其余受试者作为训练集；（5）将预测值与ESS实际得分进行Pearson相关分析，评估CPM预测性能；（6）CPM训练过程中，对与预测值显著相关且留一交叉验证过程中重复出现率80%以上的功能连接被视为具有显著贡献的功能连接。

1.7 统计分析

       采用SPSS 20.0进行统计分析。P<0.05为差异有统计学意义。采用双样本t检验比较正态分布的定量数据，包括年龄、体质量、ISI评分、PSQI评分、SAS评分和SDS评分。采用Pearson相关分析研究两组正态分布定量数据之间的相关性，使用5000次置换检验验证CPM结果的统计显著性，置换检验均在LOOCV内进行。使用错误发现率（false discovery rate, FDR）进行多重比较校正。

2 结果

2.1 睡眠及焦虑、抑郁水平比较

       嗜睡组飞行员失眠程度（ISI得分）显著高于正常组飞行员（P=0.006，FDR校正后P=0.042），睡眠质量（PSQI得分）低于正常组飞行员的趋势（P=0.020，FDR校正后P=0.047）。两组间焦虑与抑郁水平差异无统计学意义（P>0.05）。详见表1。

点击查看表格

表1  人口统计学信息与睡眠量表评分
Tab. 1  Demographic information and sleep-related scales score

2.2 失眠程度与焦虑、抑郁水平的相关性分析

       飞行员的失眠程度（ISI得分）与焦虑（r=0.236，P=0.020）、抑郁（r=0.212，P=0.040）水平之间存在弱相关（图1）。飞行员的飞行时长与PSQI得分中的睡眠障碍亚项（r=0.216，P=0.035）、PSQI总分（r=0.202，P=0.048）水平之间存在弱相关（图1）。然而，经过多重比较校正后，上述相关性不再具有统计学意义（P>0.05）。

点击查看大图

图1  相关性分析。1A：失眠严重程度指数与自评焦虑量表评分的相关关系；1B：失眠严重程度指数与自评抑郁量表评分的相关关系；1C：睡眠障碍指数与飞行时长的相关系数；1D：PSQI总分与飞行时长的相关系数。PSQI：匹兹堡睡眠质量指数。
Fig. 1  Correlation analysis between insomnia severity and anxiety and depression levels of pilots. 1A: Correlation coefficient between Insomnia Severity Index and Self-Rating Anxiety Scale score; 1B: Correlation coefficient between Insomnia Severity Index and Self-Rating Depression Scale score; 1C: Correlation coefficient between Sleep Disorder Index (sub-item in PSQI scale) and flight time; 1D: Correlation coefficient between total PSQI score and flight time. PSQI: Pittsburgh Sleep Quality Index.

2.3 基于CPM模型预测飞行员嗜睡程度

       基于CPM模型的ESS预测值与其真实值之间存在相关关系（r=0.296），且置换检验表明该相关性具有统计学意义（P=0.004）（图2）。

点击查看大图

图2  飞行员日间嗜睡程度真实值与CPM预测值之间的相关分析。ESS：Epworth嗜睡程度评价表；CPM：基于连接组的预测模型。
Fig. 2  Correlation analysis between the actual daytime sleepiness levels of pilots and the predicted values by CPM. ESS: Epworth Sleepiness Scale; CPM: connectome-based predicting modeling.

2.4 模型特征分析

       具有主要贡献的功能连接（图3A，表2）为左眶部额上回（left orbital part of superior frontal gyrus, ORBsup.L）与左背外侧额上回（left dorsolateral superior frontal gyrus, SFGdor.L）、左内侧额上回（left medial superior frontal gyrus, SFGmed.L）、左颞中回（left middle temporal gyrus, MTG.L）、左颞下回（left inferior temporal gyrus, ITG.L）及左补充运动区（left supplementary motor area, SMA.L）之间的功能连接，以及左直回（left rectus gyrus, REC.L）与右额中回（right middle frontal gyrus, MFG.R）之间的功能连接、SFGmed.L与双侧眶部额中回（ORBmid.L、ORBmid.R）之间的功能连接。网络归类以后，主要具有主要贡献的功能连接主要存在于边缘系统与默认模式网络、腹侧注意网络、额顶叶网络之间（图3B）。

点击查看大图

图3  CPM模型中对于预测有显著贡献的大脑功能连接。3A：功能连接脑图；3B：功能连接模式图。CPM：基于连接组的预测模型。
Fig. 3  Brain functional connections with significant contributions to prediction in the CPM model. 3A: Brain map of functional connection; 3B: Diagram of functional connection pattern. CPM: connectome-based predicting modeling.

点击查看表格

表2  CPM模型中对于预测有显著贡献的功能连接脑区、网络及其主要功能
Tab. 2  Brain functional connections that significantly contribute to prediction in the CPM model, corresponding networks and functions.

3 讨论

       本研究发现嗜睡组飞行员失眠程度显著高于正常组飞行员，睡眠质量显著低于正常组飞行员。飞行员的失眠程度与焦虑、抑郁水平之间存在弱相关。结合全脑功能连接矩阵的CPM模型可以预测飞行员的日间嗜睡程度，对于预测效能具有主要贡献的功能连接存在于大脑边缘系统与默认模式网络、腹侧注意网络、额顶叶网络之间。

3.1 相关脑区及网络功能

       大脑边缘系统涉及多种基本生命现象的发生和控制，包括动情、欲望、本能以及睡眠等^{[19, 20]}。构成边缘系统的众多脑区中，眶额皮层与睡眠调节及睡眠活动关系密切，与本研究的发现较为一致^{[21, 22, 23]}。大脑默认模式网络是一组在大脑静息状态下自发激活的、彼此高度相关的大脑区域构成的神经网络，主要作用为处理各种内在的思维活动，如自我反思、回忆过去、规划未来、理解他人的情绪和心理状态等^{[24, 25]}。内侧前额叶是默认模式网络的主要脑区之一，可能参与梦境的生成和解析，特别是在与自我和情绪相关的梦境^[26]。颞叶皮质可能参与语言理解和生成有关，从而在梦境中的语言活动中发挥作用^[27]。一些研究表明，睡眠障碍患者（如失眠症患者）可能存在腹侧注意网络的异常，表现为注意力难以集中、对外部刺激过度敏感或反应不足等问题，从而影响患者的睡眠质量和和睡眠准备过程^[28]。背外侧前额叶作为额顶叶网络的一部分，与工作记忆、抽象推理等认知功能密切相关^[29]。研究表明，睡眠剥夺或睡眠不足会导致个体的认知功能下降，包括注意力、记忆力、反应速度等，因此，充足的睡眠对于维持额顶叶网络的正常功能至关重要^{[30, 31]}。

3.2 导致失眠程度与焦虑、抑郁间弱相关性的主要原因分析

       SAS与SDS评分显示，嗜睡组与正常组飞行员在焦虑、抑郁水平上无显著差异，但相关性分析发现，失眠程度与焦虑、抑郁间存在显著却较弱的相关性。该结果可能源于以下原因：首先，飞行员群体因职业特性（如飞行压力、作息紊乱）更易发生情境性失眠，其情绪状态未必达到焦虑或抑郁的临床阈值，因此虽失眠程度较高，SAS/SDS却未检出明显异常，导致相关性较弱。其次，该群体心理韧性较强，焦虑、抑郁整体水平较低，SAS/SDS得分多集中于正常范围低分端，数据变异较小。这种分布范围受限会降低统计检验力，即使存在真实关联，也可能被低估为弱相关。上述现象提示，通用情绪量表在特质人群中捕捉与特定问题（如失眠）相关的细微情绪变化时，其敏感度可能存在局限。

3.3 CPM方法在近期研究中的应用及临床实用性分析

       结合大脑fMRI与CPM预测个人心理特征和行为特征已成为当前快速发展的领域与研究趋势，可以更客观有效地评估个人认知水平、情绪及心理特征^[32]。ANURIMA等研究者发现结合大脑功能影像与CPM可以预测个体在3周内的平均睡眠时长^[33]。WU等研究者发现使用该方法可以预测个体的睡眠质量、焦虑及抑郁水平^[34]。本研究中嗜睡程度的预测值与真实值相关系数在0.3左右，表明当前模型在解释力和判别效能上仍存在局限，提示其在实际临床应用中面临挑战。该结果可能源于多方面原因：嗜睡为复杂主观状态，其神经机制涉及动态脑活动、局部脑区特性及多模态生理信号，仅依靠静息态功能连接所能解释的变异有限；此外，嗜睡组样本量较小，数据不平衡可能导致模型泛化能力差。尽管如此，研究结果仍表明脑网络特征具备群体层面初筛的潜力。若用于实际筛查，需谨慎设定应用边界。例如，可考虑允许较高假阳性率，初步筛选高风险个体，再通过多阶段、多方法（如生理监测、临床评估）进行验证，以提高整体筛查效能。未来应通过扩大样本、引入多模态数据，以进一步提升预测效能与实用性^[35]。

3.4 缺陷与不足

       本研究存在一些不足。首先，研究样本量相对较少，可能会影响模型的整体效能及泛化能力。其次，本研究未对飞行员所驾驶的机型进行归类研究，因此研究针对性有所欠缺，在后续纳入更多的受试者后，我们将对这一点进行改进。本研究虽通过事前功效分析（Power≥0.8）确定了样本量（n>80），并采用了LOOCV从而在有限样本下获得更稳健的模型估计。但我们仍充分认识到当前样本量，特别是嗜睡组阳性样本较少（n=15，15.6%），可能使构建的CPM模型稳定性不足，关键功能连接特征可能受到少数个体异常值的影响。另外，本研究仅基于歼击机飞行员样本，因此，本研究构建的预测模型及其所识别的关键网络在推广至其他机型飞行员时，其有效性有待进一步验证。课题组下一步计划联合多个疗养中心与部队单位，显著扩大样本量，并重点招募存在日间嗜睡症状的飞行员，以平衡组间样本量并进行外部验证。

4 结论

       飞行员存在日间嗜睡情况的比例约为15.6%，与睡眠质量降低及失眠显著相关。结合fMRI与CPM可以有效预测飞行员的日间嗜睡程度，对于预测具有显著贡献的功能连接存在于大脑边缘系统与默认模式网络、腹侧注意网络、额顶叶网络之间。