DREAM 数据库：脑电与梦境配对研究的新里程碑

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）。

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。

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

1. Wong, W., Herzog, R. et al. 'A dream EEG and mentation database.' Nature Communications 16, 7495 (2025).
2. Siclari, F. et al. 'The neural correlates of dreaming.' Nature Neuroscience 20, 872–878 (2017).
3. Nielsen, T.A. 'A review of mentation in REM and NREM sleep...' Behavioral and Brain Sciences 23, 851–866 (2000).
4. Koch, C. et al. 'Neural correlates of consciousness: progress and problems.' Nature Reviews Neuroscience 17, 307–321 (2016).
5. Lubba, C.H. et al. 'catch22: Canonical time-series characteristics.' Data Mining and Knowledge Discovery 33, 1821–1852 (2019).
6. Stephansen, J.B. et al. 'Neural network analysis of sleep stages enables efficient diagnosis of narcolepsy.' Nature Communications 9, 5229 (2018).
7. Hudachek, L. & Wamsley, E. 'Prospects of open science practices and large-scale collaborations for dream research.' SLEEP 46(12), zsad139 (2023).