目的探讨在头部不同位置采集的单导联脑电信号, 通过人工智能分图模型判别单纯打鼾及阻塞性睡眠呼吸暂停低通气综合征（OSAHS）患者睡眠分期的准确性。方法回顾性分析2020年9月至2021年3月因打鼾、呼吸暂停、白天嗜睡等症状就诊于北京同仁医院睡眠医学中心进行多导睡眠监测的114例研究对象, 其中男93例, 女21例, 年龄20～64岁, 中位数为38.0[31.8, 48.3]岁。研究对象中OSAHS患者85例, 单纯打鼾组29例。对不同采集位置的头部单导联脑电信号（Fp2-M1, C4-M1, F3-M2, REOG-M1, O1-M2）应用以往数据训练的机器学习分图模型进行睡眠分期判读分析, 以多导睡眠监测结果为金标准, 分析判读结果的一致率及不同病情严重程度的影响。应用SPSS 22.0统计软件进行资料库建立及统计学分析。结果共判读睡眠分期124 747帧。Fp2-M1、C4-M1、F3-M2、REOG-M1、O1-M2导联区分睡眠或清醒期的一致性分别为92.3%、92.6%、93.5%、89.2%和83.0%。位于额部皮肤的Fp2-M1单导联模型判断清醒、快动眼睡眠或非快动眼睡眠分类的一致性为84.7%;判断清醒、快动眼睡眠、非快动眼睡眠1～2期、慢波睡眠的分类一致性80.1%。基于该模型睡眠分期和金标准睡眠分期计算的AHI中位数分别为13.6[4.3, 42.5]和14.2[4.8, 42.7], Z=-2.477, P=0.013, 诊断OSAHS一致性Kappa系数为0.977。结论 Fp2-M1单导联脑电信号结合人工智能分析模型对打鼾及不同严重度的OSAHS患者的睡眠分期判断一致性良好。基于该模型计算的AHI在诊断OSAHS与金标准具有较高的一致性