婴儿睡眠在记忆形成中所扮演的角色在过去几年中受到越来越多的关注。现有证据一致表明，学习经历后是否存在睡眠，会影响婴儿存储和提取其近期编码记忆的方式（参见 Mason et al. 2021; Seehagen et al. 2019）。然而，先前睡眠的时间安排、数量和质量在记忆编码中的作用受到的关注却少得多。这令人费解，因为在日常生活中，婴儿易分心或烦躁的行为常被归咎于先前睡眠不佳。因此，本研究旨在评估先前睡眠的各个方面与6个月和12个月婴儿编码社会相关刺激（即愤怒、快乐和中性面孔）之间的关联。
睡眠与发展相关的观点并非新提（Mindell and Moore 2018）。横断研究（Gibson et al. 2012; Scher 2005）和纵向研究（Bernier et al. 2010; Bernier et al. 2013; Liang et al. 2022; Tham et al. 2015）均揭示了特定睡眠特征与婴儿发展之间的联系。例如，越来越多的研究表明婴儿睡眠与婴儿及学步儿认知的各个方面存在关联。然而，在研究记忆过程时，大多数婴儿睡眠研究迄今仍聚焦于编码后睡眠（post-encoding sleep）在记忆巩固（consolidation）和提取（retrieval）中的作用。在实验范式中，研究人员通常安排婴儿在自然发生的睡眠-觉醒周期的特定时间点接收信息进行编码。部分婴儿在延长的觉醒期开始时参与，另一部分则在午睡前不久参与，然后比较两组在后续测试中的记忆表现。
午睡对记忆巩固的益处可在3个月大的婴儿中观察到。Horváth 等人（2018）使用视觉识别记忆（VRM）程序发现，在1.5小时的保持间隔期间午睡的3个月婴儿，能够记住屏幕上呈现的卡通风格角色。而同龄的在间隔期间保持清醒的婴儿则未表现出记忆保持。同样，在更年长婴儿的其他记忆测量指标（例如，事件相关电位（Event-Related Potentials, ERPs）、延迟模仿、运动问题解决）中也观察到了午睡对记忆巩固的影响（Berger and Scher 2017; DeMasi et al. 2021; Friedrich et al. 2015; Horger et al. 2023; Seehagen et al. 2015）。编码后睡眠也影响婴儿的记忆提取，促进记忆提取的灵活性，使其能够将近期获得的记忆应用于变化的情境中（Friedrich et al. 2015; Konrad et al. 2016a）。例如，Friedrich 等人（2015）让9-16个月大的婴儿接触新的图片-词语对，之后他们要么午睡，要么保持清醒约1.5小时。然后，通过向婴儿呈现学习过的词语（部分为熟悉化的图片，部分为熟悉化类别中的新样例）来测试他们的再认和泛化能力。正如预测的那样，ERPs显示只有午睡条件的婴儿记住了图片-词语对，并将学习的词语泛化到新的类别样例上。总体而言，这项研究及类似研究的发现表明，白天睡眠的时间安排对于新获得信息的稳定化（例如，物体相关动作或词语）、将信息整合到现有长期记忆网络中以及后期回忆的可及性都至关重要。
这或许可以解释为什么 Konrad 等人（2016b）仅在6个月龄组中发现夜间睡眠效率（即夜间睡眠间隔中睡眠所占百分比；Adams et al. 2019）和夜间觉醒与即时模仿之间存在显著相关，而在12个月龄组中则没有。由于使用物体的模仿大约在6个月时开始出现，对他们来说任务难度可能更高。这种模式表明，先前睡眠在即时模仿中的作用可能取决于任务特征和所评估的睡眠方面。正如预期，Konrad 及其同事发现，无论在哪个年龄组，睡眠时长（即夜间睡眠间隔中的总睡眠分钟数；Adams et al. 2019）与模仿表现均无关联。这一发现与 Gibson 等人（2012）和 Scher（2005）的先前研究一致，他们也观察到睡眠时长与年长婴儿的认知结果无关。这些结果表明，睡眠质量（例如，由睡眠效率和夜间觉醒指示）可能比睡眠时长在支持早期认知过程中扮演更关键的角色。此外，Konrad 及其同事观察到，与单独睡觉的同龄人相比，经常与父母同床睡觉的12个月婴儿模仿的目标动作明显更少。在6个月龄组中未观察到基于睡眠安排的模仿表现差异。这种模式表明，12个月时的同床睡眠可能对睡眠质量产生负面影响，进而可能损害与记忆相关的过程（如模仿）。然而，鉴于相关研究设计，目前尚不清楚同床睡眠、睡眠质量与模仿分数之间的关联是否确实具有因果性。
本研究旨在建立在上述研究的基础上，并通过评估夜间睡眠的哪些方面与6个月和12个月婴儿的情绪面孔编码相关来解决现有差距。研究人员使用了与 Seehagen 等人（2021）相同的VRM程序，因其实施和解释简单直接（Pascalis and de Haan 2003），仅具体面部刺激不同。在每个任务中，婴儿首先熟悉一张展示特定面部表情（即快乐、愤怒或中性）的面孔。紧接着，婴儿接受两个测试试验，在每个试验中，熟悉面孔与一个展示相同表情的新面孔并排呈现。如果婴儿注视新面孔的时间显著长于随机预期，则认为他们识别出了熟悉化的面孔。
由于VRM任务中熟悉化时间的长度对6个月和12个月婴儿是相同的，研究人员预测12个月婴儿在VRM任务中会显示出对所有三种面孔的识别（Morgan and Hayne 2006, 2011; Rose 1983），但预期该任务对6个月婴儿来说会显著更困难，可能导致识别失败（Rose 1983; Seehagen et al. 2021）。
此外，研究人员预期在两个年龄组中都会发现夜间睡眠的各个方面与视觉识别表现之间存在显著关联。基于先前的工作，他们假设夜间睡眠效率（而非夜间睡眠时长）会正向预测VRM任务中的新奇偏好分数（Gibson et al. 2012; Konrad et al. 2016b; Scher 2005）。另外，他们预计评估前的清醒时长（Seehagen et al. 2021）、浅睡眠百分比（Hasshim et al. 2022）以及夜间在父母床上的时间会负向预测注视时间（Konrad et al. 2016b）。
2 方法
2.1 参与者
32名足月的6个月婴儿（平均年龄=200.2天，标准差=8.6天，女性=19名）和35名足月的12个月婴儿（平均年龄=383.5天，标准差=7.8天，女性=21名）参与了研究。家庭从当地出生登记处招募。75%的父母拥有大学入学资格或大学学位。评估前，父母提供了书面知情同意。参与的家庭获得了礼品、证书和5欧元的交通费补偿。研究得到了波鸿鲁尔大学（Ruhr University Bochum）心理学系当地伦理委员会的批准。
使用G*Power 3.1.9.6（Faul et al. 2009）进行的事后统计功效分析（power analyses）表明，对于此样本量，单样本t检验（与50比较）的功效为0.89-0.99（效应量=0.64-1.02; Quinn et al. 2020），ANOVA的功效为0.99（中等效应量），快乐面孔的回归分析功效为0.72，愤怒和中性面孔的回归分析功效为0.77（中等效应量）。
2.2 测量工具
2.2.1 睡眠记录
使用Micro Motionlogger Actiwatches（Ambulatory Monitoring, Inc.）测量婴儿的睡眠行为。Actiwatches记录佩戴期间的运动，并使用专门开发的算法来解释婴儿的睡眠模式。在本研究中，研究人员使用了Sadeh婴儿算法（Sadeh Infant Algorithm），因为它是评估1岁以下婴儿睡眠-觉醒周期的推荐算法（Sadeh, Acebo, et al. 1995）。Actiwatches形似手表，固定在婴儿的左脚踝上。体动记录法（actigraphy）是一种常用的、非侵入性的、有效的测量婴儿睡眠-觉醒模式的方法（例如，Müller et al. 2011; Sadeh, Hauri, et al. 1995）。睡眠数据的评分使用软件Action-W Version 2.7.3401（Ambulatory Monitoring, Inc.）完成。
对于每个任务（快乐、愤怒、中性），使用了三位不同模特的肖像（见图1）。因此，每个婴儿总共看到了九张不同的面孔。面孔刺激取自芝加哥面孔数据库（Chicago Face Database; Ma et al. 2015）。该数据库提供了17至65岁之间不同种族的标准化男性和女性面孔刺激。根据规范数据，选择了九位年龄（平均=23.3岁）和吸引力相似的白人成年女性。她们在吸引力（基于1-7的李克特量表）上的差异不超过1分，年龄差异不超过3年。对于快乐面孔，选择了张嘴的图片；对于愤怒面孔，则使用了闭嘴的图片。图像的原始尺寸未变（宽2444像素，240 dpi × 高1718像素，240 dpi）；图像通过Microsoft PowerPoint在28英寸屏幕上呈现。
图1 参与者接受了所有三种情绪的测试，因此暴露于三个试验中，每个试验从熟悉化阶段开始，随后是两个测试阶段。面孔取自芝加哥面孔数据库（Ma et al. 2015）。
评估在波鸿鲁尔大学的一个实验室进行。护理人员和婴儿首先被带到接待室，那里有适合年龄的玩具进行热身。之后，实验者引导护理人员和婴儿进入实验室。房间配备了四台摄像机，其中两台用于本研究。一台遥控摄像机直接放置在屏幕后方，用于记录婴儿的眼睛。第二台摄像机斜放在左侧，位于父母所坐椅子的后方，拍摄屏幕。视频记录使用软件VideoSyncPro（Mangold International; Version 2.4.2.0）自动同步。
本研究中的VRM任务基于先前研究中使用的程序（Barr et al. 2014; Seehagen et al. 2021）。程序如图1所示。动画电影之后，婴儿会看到一个出现在屏幕中央的注意吸引器（固定时长=5秒）。这之后自动进入熟悉化阶段。在熟悉化阶段，两张相同面孔的图片并排（屏幕左右两侧）同时呈现固定时长10秒。这之后自动跟随另一个注意吸引器（5秒）。测试阶段随即开始，包含两个试验。每个试验持续10秒，之后呈现自动转到下一张幻灯片。两个试验之间由一个注意吸引器（5秒）分隔。在每个测试试验中，熟悉面孔与一个展示相同情绪的新面孔并排呈现。在每个测试试验中，使用了一张不同的新面孔。这是为了防止婴儿可能已经熟悉了第一个新面孔刺激（在第一个测试试验期间），以至于在第二个测试试验中它不再是新颖的（Barr et al. 2014; Heron-Delaney et al. 2011）。此外，两个试验中新面孔和熟悉面孔的位置，以及任务顺序（快乐、中性、愤怒）都进行了平衡。
2.4 编码
使用软件Interact（Mangold International; Version 2.4.2.0）对婴儿在熟悉化和测试试验中的眼球运动录像进行离线逐帧评分。总共有四位独立的编码员参与评分。每位编码员都不知晓婴儿的睡眠数据。另外五位同样不知晓婴儿睡眠数据的独立编码员对45%样本的视频录像进行了重新评分。评分者间信度（interrater reliability）在熟悉化阶段为ICC = 0.981，在两个测试试验中平均为ICC = 0.971。
只有那些与新奇偏好分数显示出显著相关的睡眠变量才被纳入回归模型，因为使用较少的预测因子是更可取的（Field 2018; Hasshim et al. 2022）。本研究选择分层回归（hierarchical regression），因为预测因子（即睡眠变量）基于先前工作，并按其重要性顺序输入分析（Field 2018）。在分析结果之前，评估了线性回归所需的关键假设。使用库克距离（Cook's distance）评估了线性并识别了潜在异常值。也检验了残差的独立性（使用Durbin-Watson检验）和同方差性（使用Breusch-Pagan检验）（Fields 2018）。当存在异方差性（heteroscedasticity）时，应用了稳健标准误（robust standard errors）。尽管也对残差进行了正态性评估，但即使在非正态情况下分析也继续进行，因为回归模型通常对此类违反具有稳健性（Knief and Forstmeier 2021; Schielzeth et al. 2020; Schmidt and Finan 2018）。所有分析均使用IBM SPSS Statistics version 29.0.2.0进行。
独立样本t检验显示，在清醒时长（t(50) = −0.99, p = 0.248）和浅睡眠（t(57) = −1.18, p = 0.243）方面，两个年龄组之间没有显著差异。Mann-Whitney检验也显示两组在睡眠效率（U = 520.000, Z = 1.339, p = 0.181）、睡眠时长（U = 463.000, Z = 0.472, p = 0.637）和同床睡眠（U = 436.000, Z = 0.062, p = 0.950）方面没有差异。
平均新奇偏好分数如表3所示。单样本t检验显示，6个月婴儿对任何面孔均未表现出显著的新奇偏好（快乐面孔，t(29) = −1.01, p = 0.323, d = 0.183；愤怒面孔，t(31) = −0.09, p = 0.930, d = 0.016；中性面孔，t(31) = −0.89, p = 0.380, d = 0.157）。与Seehagen等人（2021）一样，研究人员测试了熟悉化时间是否太短，以及6个月婴儿是否也将第一个测试试验用作熟悉化。如果是这样，显著的新奇偏好应仅在第二个测试试验中可见。然而，这并未观察到。6个月婴儿在第一个（例如，最大t(31) = −1.01, p = 0.321, d = −0.178）或第二个测试试验（例如，最大t(29) = −0.73, p = 0.469, d = −0.134）中均未表现出对任何新面孔的显著偏好。在第一个测试试验中（t(29) = −0.24, p = 0.815, d = −0.043）和第二个测试试验中（t(29) = −1.16, p = 0.254, d = −0.212）也均未观察到整体新奇偏好（跨情绪表情）。
此外，单样本t检验和Wilcoxon检验显示，12个月婴儿对快乐面孔（t(26) = 3.28, p = 0.003, d = 0.631）和愤怒面孔（Z = 2.324, p = 0.020, d = 0.424, n = 30）表现出新奇偏好，但对中性面孔则没有（t(30) = −0.02, p = 0.988, d = 0.003）。
进行了双变量相关分析，以探讨在每个年龄组内，睡眠参数与三种情绪面孔类型新奇偏好之间的潜在关联（完整结果见表4）。在6个月婴儿中，睡眠效率与中性面孔（r(25) = 0.46, p = 0.016）和愤怒面孔（r(25) = 0.39, p = 0.047）的新奇偏好均呈显著正相关。在12个月婴儿组中，愤怒面孔的新奇偏好与浅睡眠（r(25) = –0.48, p = 0.011）和同床睡眠时长（r(22) = –0.42, p = 0.040）均呈显著负相关。
表4 睡眠参数与每种情绪新奇偏好分数之间的相关性。 （6月龄婴儿部分）变量1-3为三种面孔新奇偏好，4-8为睡眠变量。其中，睡眠效率与愤怒面孔（r=0.39*）、中性面孔（r=0.46*）显著正相关。 （12月龄婴儿部分）变量1-3为三种面孔新奇偏好，4-8为睡眠变量。其中，浅睡眠与愤怒面孔（r=-0.48*）显著负相关，同床睡眠与愤怒面孔（r=-0.42*）显著负相关。 注：* p < 0.05。
进行了分层回归分析，以确定这些睡眠参数中的哪些组合最能预测婴儿对三种情绪面孔的新奇偏好。睡眠效率首先被输入第一个模型，因为它在先前研究中已被确定为认知结果的关键预测因子（Gibson et al. 2012; Konrad et al. 2016b; Scher 2005）。基于Hasshim等人（2022）的发现，浅睡眠在第二个模型中被加入。最后，同床睡眠在第三个模型中被纳入，因为它对睡眠质量和认知表现有潜在影响（Konrad et al. 2016b）。
3.3.1 六月龄婴儿
如表5所示，在任何三个模型中，睡眠效率、浅睡眠和同床睡眠均未能显著预测快乐面孔的新奇偏好分数；整体模型R² = 0.12, F(3, 21) = 0.99, p = 0.417。相反，对于愤怒面孔相关的显著回归结果。第一个模型显著，R² = 0.15, F(1, 25) = 4.39, p = 0.047，这意味着睡眠效率与愤怒面孔的新奇偏好显著相关。第二个模型（包括睡眠效率和浅睡眠）也达到显著性，并显示出比第一个模型有所改善（R² = 0.30, F(2, 24) = 5.10, p = 0.014），其中睡眠效率（t = 2.65, p = 0.014）和浅睡眠（t = 2.26, p = 0.033）均成为显著预测因子。
与Seehagen等人（2021）和Rose（1983）的研究结果一致，研究人员发现，在10秒的熟悉化期后，6个月婴儿未能显示出对愤怒、中性以及快乐面孔的识别。乍看之下，这些结果有些令人惊讶，因为Barr等人（2014）在固定的10秒熟悉化时间内确实在6个月和12个月婴儿中都发现了新奇偏好。然而，他们使用的是具有移动面部特征的简单卡通式刺激，这些刺激在颜色和形状上有明显差异。本研究中的婴儿在测试阶段看到的是静态的人脸，彼此之间的感知差异不大。因此，研究人员假设Barr等人研究中的视觉线索可能促进了较年幼婴儿的识别表现（Pascalis and de Haan 2003; Santangelo 2015）。
此外，其他使年轻婴儿表现出识别的研究，要么使用了更长的熟悉化时间（Chien et al. 2016; Tham et al. 2015; Quinn et al. 2002; Quinn et al. 2020），要么使用了一种熟悉化阶段持续到婴儿的注视时间累计至少20秒的程序（Heron-Delaney et al. 2011; Merced-Nieves et al. 2021; Pascalis et al. 2005; Rose et al. 2001; Scott and Monesson 2009）。因此，本研究的VRM任务对6个月婴儿来说可能在认知上要求过高（Alvarez and Cavanagh 2004; Feigenson 2005; Krøjgaard 2007; Rose et al. 2004）。相应地，研究人员建议，未来测量视觉识别的研究应仔细根据参与者的年龄量身定制编码机会，因为年龄适当的熟悉化对于获得可靠和可解释的记忆测量至关重要（Hayne 2004）。
对于12个月婴儿，研究人员曾假设他们会识别所有三种情绪面孔。结果显示，他们只识别了快乐和愤怒面孔。这两种情绪面孔的识别不能归因于熟悉化期间更长的注视时间，因为12个月婴儿的熟悉化时间与6个月婴儿相似，并且在12个月年龄组内部不同情绪之间也无差异。相反，识别表现更可能反映了婴儿记忆发展中的年龄相关变化。随着年龄增长，婴儿编码的速度会变快（Bornstein et al. 2006; Courage et al. 2006; Hayne 2004; Richmond and Nelson 2007; Rose 1983）。
但为什么12个月婴儿未能识别中性面孔？对此效应的一个解释可能是情绪表达的促进作用。先前研究揭示了情绪面部表情的识别优势，无论是在婴儿（Gross and Schwarzer 2010; Turati et al. 2011; Quinn et al. 2020）还是成人（Ackerman et al. 2006; Johansson et al. 2004; Sergerie et al. 2005）中。例如，Quinn等人（2020）发现，6个月大的白人婴儿只有在看到愤怒或快乐表情时才能识别亚洲面孔，而在看到中性表情时则不能。因此，当由于熟悉化时间短而导致任务难度高时（如本研究），识别可能仅对面孔表情有效。
尽管研究人员未观察到这一结果，但先前研究表明，这种对睡眠质量的强调也可以扩展到年龄较大的婴儿。例如，Scher（2005）报告了10个月婴儿中睡眠效率与MDI分数（Mental Development Index）之间的正向联系。同样，Gibson等人（2012）发现睡眠效率与11-13个月婴儿较高的问题解决分数呈正相关。本研究与这些先前研究之间的一个主要差异是认知评估方法。研究人员使用视觉识别任务在行为上测量记忆，而其他研究则依靠父母报告问卷来评估认知发展。
另一方面，研究人员包含睡眠效率、浅睡眠和同床睡眠的整体回归模型，显著预测了12个月婴儿对愤怒面孔的新奇偏好。在此模型中，浅睡眠和同床睡眠成为显著的预测因子。因此，本研究是第二项提供证据表明浅睡眠与较差的睡眠质量相关，从而导致认知表现下降的研究（Hasshim et al. 2022）。作为这些发现的补充，研究人员还观察到浅睡眠的负面影响并不仅限于年龄较大的群体，表明这种睡眠质量方面与识别表现之间的关系可能存在于6到12个月之间。类似地，研究人员发现与父母同床睡觉与较差的视觉识别表现呈负相关。这与Konrad等人（2016b）的研究结果一致，他们发现与独自睡觉的同龄人相比，同床睡眠的婴儿模仿的目标动作明显更少。尽管采用相关设计，这些发现表明浅睡眠、同床睡眠与第一年后半段认知表现之间存在潜在联系，值得进一步研究。
最后，尽管研究人员对特定情绪没有具体假设，但值得注意的是，在本研究中，睡眠与某些面部表情的新奇偏好之间出现了显著关联。据研究人员所知，除了Seehagen等人（2021）之外，没有其他婴儿睡眠研究关注睡眠在情绪面孔识别中的作用。少数关于睡眠限制后情绪识别的成人研究得出了混合结果，报告了快乐和悲伤面孔识别受损（Killgore et al. 2017; Crönlein et al. 2016）、快乐和愤怒面孔识别受损（Van der Helm et al. 2010）、恐惧和悲伤面孔识别受损（de Almondes et al. 2020），或中性但非快乐面孔识别受损（Maccari et al. 2014）。因此，成人研究的结果并未为睡眠在情绪面孔识别中的作用提供明确的答案。可能的原因是，编码中性和愤怒面孔需要更多的认知努力，使它们在本研究中更容易受到睡眠效应的影响（Lukowski and Milojevich 2013）。相反，婴儿对快乐面孔更多的接触（Rennels et al. 2020）可能抵消了睡眠的积极影响。因此，研究人员承认睡眠在情绪面孔识别中的作用具有复杂性，并强调需要更多研究。未来的研究应采用纵向设计，涵盖更广泛的年龄组、更大的样本量，并结合使用多导睡眠图（polysomnography）或可穿戴设备等补充方法，以厘清睡眠与婴儿对不同情绪表达识别之间的确切关系。还应考虑其他与睡眠相关的参数，例如白天午睡。在本研究中，一些婴儿，特别是较年幼的，在实验室评估前小睡过，这可能影响了他们的表现。阐明先前午睡是否以及如何与夜间睡眠共同塑造记忆编码，是未来研究的重要方向。
