近日，马宁教授团队在睡眠研究领域的国际权威期刊《Sleep》上发表研究：“Tracking vigilance fluctuations in real-time: a sliding-window heart rate variability-based machine-learning approach”。该研究利用滑动时间窗分析探讨了警觉性表现和心率变异性（HRV）特征的实时关联，并结合机器学习技术构建了一种基于HRV特征的警觉度分类模型，从外周神经活动（心跳）变化的角度丰富了对状态不稳定性相关理论的认识，为开发更高效、精确、客观的警觉度实时监测系统提供科学参考。

警觉性（Vigilance）指在长时间内保持注意并对环境刺激做出及时反应的能力，对于保障任务绩效和人因安全至关重要。随着各行各业对警觉度监测需求的日益增加，基于神经生理数据的机器学习模型受到广泛关注。心电信号作为反映自主神经系统功能的敏感指标，为警觉度评估提供关键的生物信息。得益于可穿戴式和遥测心电技术的发展，基于HRV的警觉度评估模型在实际应用中展现出巨大潜力。然而，由于状态不稳定性，警觉性表现可能在十几秒间发生波动，传统采用区组设计的HRV模型难以捕捉这种即时波动。此外，大多数模型依赖于自我报告的警觉度标签进行训练，主观评估和真实表现间的偏差可能影响到实际的训练效果。为了克服这些局限，本研究采用滑动窗口技术提取HRV特征，并将行为指标作为模型训练的基准真值，以期提升HRV模型对警觉度预测的时效性和精确度。

基于滑动窗口分析，本研究评估了正常睡眠和睡眠剥夺后，健康成人在精神警觉性运动测试（PVT）期间的警觉度波动和HRV变化，根据个体水平的反应时分布进行状态分类，进而提取片段HRV特征、构建机器学习模型。结果支持“状态不稳定性理论”：警觉性表现在任务期间不断波动，这种波动在睡眠剥夺后变得更加急剧、频繁。低警觉度下心跳活动呈现出“心率和非线性域样本熵下降、时域HRV增加”等特征模式。基于此方法，对低警觉状态的识别精度较以往研究提升约10%，达到了85-90%的准确率。研究结果表明，滑窗HRV分析能有效捕捉日常工作和学习过程中，人们的警觉性波动。此外，本研究的相关成果《模型的构建方法、警觉度评估方法、装置、设备及产品》近期也已授权国家发明专利，为更为精准有效地进行实时的警觉性监测提供了新的方法和技术方案。