DREAM 数据库：脑电与梦境配对研究的新里程碑
论文信息
- 标题：A dream EEG and mentation database
- 期刊：Nature Communications (2025) 16:7495
- DOI：10.1038/s41467-025-61945-1
- 作者：William Wong, Rubén Herzog 等 53 位作者，来自 13 个国家 37 家机构
本文构建了首个将睡眠脑电（M/EEG）与标准化梦境报告配对的开放数据库——DREAM。首批发布包含 20 个数据集、505 名被试、2643 次唤醒记录，并展示了通过 EEG 特征预测睡眠中是否存在意识体验的可行性。
为何需要大型数据库？
梦境科学长期受困于三个结构性难题，使得单一实验室难以独立突破。
样本量严重不足
连续唤醒范式要求被试在实验室连续数夜睡眠并被反复唤醒，耗时耗力。以往研究样本量多在数十次唤醒量级，即便是 Siclari et al.（2017）这样的里程碑研究也仅使用了 32+7 名被试。统计功效分析表明，在典型效应量下，25 名被试仅提供约 20% 的统计功效，远低于合理阈值。
方法学异质性
不同实验室对梦境的分类标准差异巨大：有的使用二元判断，有的用 Likert 量表，有的用开放式口头报告。Foulkes（1962）发现，仅仅将问题从'你做梦了吗？'改为'你有过任何心理活动吗？'，NREM 的梦境回忆率就会从 5-10% 跃升至 50%。此外，EEG 记录参数（通道数、采样率、参考方案等）各不相同，使跨研究比较几乎不可能。
缺乏共享基础设施
此前相关数据库要么只有睡眠脑电但无梦境报告（如 NSRR），要么只有梦境文本但无神经生理记录（如 DreamBank）。将脑电与主观体验配对的资源完全空白。
| 数据库 | 睡眠脑电 | 梦境报告 | 脑电 + 报告配对 | 规模 | 主要用途 |
|---|---|---|---|---|---|
| NSRR | √ | - | - | ~46,000 被试 | 临床睡眠医学 |
| DreamBank.net | - | √ | - | ~20,000-30,000 条文本 | 梦境内容分析 |
| Sleep and Dream Database | - | √ | - | ~44,500+ 条报告 | 内容与人口学 |
| OpenNeuro | √（少量） | - | - | BIDS 格式数据 | 神经影像方法 |
| DREAM | √ | √ | √ | 505 被试，2643 次唤醒 | 梦境意识的神经关联 |
DREAM 是唯一将每一条脑电记录与标准化主观体验分类配对的开放资源，填补了该领域最关键的数据空白。
方法学创新：如何驯服异质数据？
统一的梦境报告三级分类体系
论文提出了一套最小公约数式的梦境分类方案，将所有贡献数据集的梦境报告统一映射至三个有序等级：
| 分类 | 英文名 | 定义 |
|---|---|---|
| 有体验 | Experience (E) | 被试报告在唤醒前的睡眠中有过体验，且能回忆具体内容 |
| 有体验但无法回忆 | Experience without recall (EWR) | 被试强烈感觉做了梦，但无法回忆任何具体内容（又称'白梦'） |
| 无体验 | No experience (NE) | 被试没有任何做梦的印象，也不认为有过体验 |
保留'有体验但无法回忆'这个中间类别至关重要，这涉及认识论难题：当被试报告'没有做梦'时，究竟是真的没有意识体验，还是仅仅遗忘了？Ruby（2020）指出这一点后，保留三级分类允许研究者在分析中处理这个模糊地带，而不是被迫做出二元假设。
对于原始分类与 DREAM 标准不完全匹配的数据集，制定了三条映射规则：直接映射、重新分类、组合分类。
数据标准与质量控制
最低技术标准包括至少 2 个可定位的 EEG 电极、唤醒前至少 20 秒连续睡眠记录、采样率 ≥ 100 Hz。所有多导睡眠图统一为 EDF+ 格式，遵循 FAIR 原则，托管于 Monash University，采用 CC BY 4.0 许可。
首批 20 个数据集概览
涵盖多样实验范式，包括多次 REM/NREM 唤醒、清醒梦研究、睡眠入梦期创造力任务、空间学习后睡眠、有声书入睡研究、便携 EEG 家庭睡眠记录、MEG + EEG 同步记录、儿童发育性阅读障碍、老年人群体及梦话研究。
核心结果：四项关键分析
行为分析：睡眠深度与梦境频率的关系
基于 1550 次有完整睡眠分期和梦境分类的唤醒数据，卡方检验显示高度显著（p < 10⁻¹⁵）。
| 睡眠阶段 | 无体验 (NE) | 有体验无回忆 (EWR) | 有体验 (E) | 合计 |
|---|---|---|---|---|
| N1 | 12 (11%) | 1 (1%) | 97 (88%) | 110 |
| N2 | 308 (36%) | 68 (8%) | 485 (56%) | 861 |
| N3 | 26 (41%) | 7 (11%) | 31 (48%) | 64 |
| REM | 87 (17%) | 12 (2%) | 416 (81%) | 515 |
关键发现是 N1 阶段的体验报告率最高（88%），甚至超过了 REM（81%）。NREM 睡眠越深，梦境报告率越低。这表明意识并不随着生理性睡眠标志的出现而立即消失，支持睡眠阶段是流动的、可解离的生理过程集群这一新兴共识。
功率谱密度分析
选取 6 个符合标准的 datasets，共 1462 个 30 秒 epoch，验证了来自不同实验室、不同设备的数据在标准化后仍然保持了一致的频谱特征，证明了数据库的有效性。
自动睡眠分期：人工 vs 算法
使用自动睡眠分期算法，全局平均准确率 ≈ 0.743，接近人类评分者间一致性。这验证了 DREAM 数据库数据可直接用于自动化分析流水线，同时也揭示了睡眠分期本身固有的模糊性。
Hypnodensity 分析与'隐蔽清醒'假说
这是论文中最具理论意义的分析。Hypnodensity 是自动分期算法输出的概率分布，而非单一标签。
贝叶斯 ANOVA 结果显示，NREM 中报告有梦境体验的 epoch，其 hypnodensity 向清醒（W）方向偏移，即这些 epoch 的'清醒概率'显著高于无梦境体验的 NREM epoch。这提供了一种更精细的解读：NREM 中的梦境可能不特异性地反映'隐蔽 REM'，而是更一般地反映'隐蔽清醒'——即皮层激活水平的局部升高使大脑处于一种类清醒状态，从而产生意识体验。
EEG 特征对梦境体验的分类预测
仅使用 3 个共有电极（F4, C4, O2），提取唤醒前 30 秒的 EEG 特征。对比 PSD 特征与 Catch22 时序特征。
| 睡眠阶段 | 最佳特征集 | AUC（均值） | 显著性 |
|---|---|---|---|
| NREM | PSD | 0.586 | p < 0.001* |
| REM | Catch22_bf | 0.700 | p < 0.001* |
Catch22 仅在 REM 中优于 PSD，提示 REM 梦境的神经标记更多编码在时间动态特性而非频谱功率中。对比 Moctezuma et al.（2025）使用 DREAM 数据库的 58 通道高密度 EEG，N2 梦境检测准确率可达 0.94 / AUROC 0.97，数据库潜力远超初步分析所呈现的结果。
深层意义：梦境作为意识研究的'干净范式'
为什么梦境是研究意识的最佳窗口？
传统意识研究比较的是截然不同的脑状态，但这些对比涉及神经调节环境、感觉加工和行为反应的全面改变。梦境提供了所谓的'无报告 - 状态内'范式：在同一睡眠阶段内比较报告有梦 vs 无梦的 epoch，全局脑状态近似恒定；梦境者在体验过程中不执行任何实验任务，消除了注意、元认知和运动计划的混淆。
临床启示
梦境每晚都在证明一个事实：意识可以在没有行为反应的情况下存在。这对无反应觉醒综合征（UWS）、全身麻醉及意识检测有直接启示。在 DREAM 数据库上验证的意识检测方法，可能迁移至这些无法自主沟通的临床情境。
局限性与未来方向
当前局限包括报告依赖性、认识论模糊、信息损失、分析限制、分期噪声及主观 - 客观不一致。未来方向包括高密度 EEG 数据集的纳入、深度学习方法的利用、预注册研究、梦境内容解码以及清醒梦研究。
参考文献
- Wong, W., Herzog, R. et al. 'A dream EEG and mentation database.' Nature Communications 16, 7495 (2025).
- Siclari, F. et al. 'The neural correlates of dreaming.' Nature Neuroscience 20, 872–878 (2017).
- Nielsen, T.A. 'A review of mentation in REM and NREM sleep...' Behavioral and Brain Sciences 23, 851–866 (2000).
- Koch, C. et al. 'Neural correlates of consciousness: progress and problems.' Nature Reviews Neuroscience 17, 307–321 (2016).
- Lubba, C.H. et al. 'catch22: Canonical time-series characteristics.' Data Mining and Knowledge Discovery 33, 1821–1852 (2019).
- Stephansen, J.B. et al. 'Neural network analysis of sleep stages enables efficient diagnosis of narcolepsy.' Nature Communications 9, 5229 (2018).
- Hudachek, L. & Wamsley, E. 'Prospects of open science practices and large-scale collaborations for dream research.' SLEEP 46(12), zsad139 (2023).
