多信息交互的睡眠呼吸暫停綜合癥無擾檢測系統

董雪虎，吳燕玲,宋全軍

(1.安徽大學電氣工程與自動化學院， 安徽 合肥 230601；2.中國科學院合肥智能機械研究所，安徽 合肥 230031)

0 引言

隨著社會的發展、醫療水平的提高，越來越多的人關注睡眠問題。人睡覺時發出的鼾聲會對睡眠產生最直接的影響，其中對人體危害嚴重的是睡眠呼吸暫停綜合癥(sleep apnea syndrome，SAS)。SAS是指人體在夜間睡眠時，口腔或者鼻腔發生了氣流停止的癥狀，并且癥狀持續時間在10 s以上，次數超過30次[1]。此病發生在夜間，不易被發現，但卻對人身健康造成極大的危害。因此，對這一疾病的預防與診斷十分重要[2-3]。

目前，睡眠呼吸暫停綜合癥診斷的標準[4]——多導睡眠圖(polysomography，PSG)，可以記錄睡眠中的腦電圖、心電圖、口鼻氣流、血氧飽和度、鼾聲、體位、胸腹呼吸運動和肢體運動等多項生命指征。但多導睡眠儀操作復雜，需要專業醫師診斷，且用戶的睡眠質量會受到影響，所以不能廣泛普及家庭[5]。

鼾聲檢測主要針對患者的鼾聲特征進行研究與判斷，獲取鼾聲只需一組無接觸式麥克風和數據記錄裝置。目前，多數鼾聲研究者主要從鼾聲的時域和頻域參數著手，采用均值、標準差、共振峰特征及概率閾值等為鼾聲特征，研究方法不盡相同。如Sola-Soler J和Jane R等[6]對鼾聲在頻域內進行處理,運用AR模型對鼾聲的功率譜進行估計，發現正常人鼾聲的共振峰分布相對穩定。而患者無論是正常呼吸，還是呼吸暫停時的鼾聲共振峰分布，都不太穩定。

由于PSG檢查的諸多不便，國內外許多專家學者開始研究睡眠呼吸，從單一或少量的生理信號(鼾聲、心電等)中獲取SAS的特征信息，雖取得一定的成果，但單一信號分析的難度比較大且結果的準確性難以保障，無法達到標準的要求。本文采用多傳感器融合的方法，簡化PSG檢測過程，同時兼顧人體鼾聲、心率、呼吸率和睡姿等生理信息。本文設計的系統可以準確檢測用戶是否患有SAS，并對SAS嚴重程度進行量化分級，生成相應的健康報告。

1 系統數據采集

1.1 鼾聲強度

SAS的一個顯著特征就是打鼾的過程中突然停止，持續10 s以上，可采用六麥克風陣列采集鼾聲強度。利用麥克風陣列的空域濾波特性，對拾音波束區域內的聲音信號進行加強，對拾音波束區域外的環境噪聲進行抑制[7-8]，以保證較高的聲音質量。麥克風陣列拾音示意圖如圖1所示。

圖1 麥克風陣列拾音示意圖Fig.1 Microphone array schematic diagram

本文采用六麥克風陣列拾音距離達可到5 m，360°語音信號采集，并能通過聲源定位來確定目標聲音的方向。

采集鼾聲信號處理過程如下。

①讀取鼾聲信號。

y(n)=s(n)+d(n)

(1)

式中：y(n)為混合后的鼾聲信號；s(n)為純鼾聲信號；d(n)為環境噪聲信號。

②維納(Wiener)濾波。

(2)

式中：S(n)為濾波器輸出信號；h(n)為傳遞函數。

根據維納濾波最小均方誤差原則，通過選取傳遞函數h(n)，使得鼾聲信號s(n)和輸出信號S(n)的均方誤差ε=E[{s(n)-S(n)}2]取到最小值時，可以最大程度地消除噪聲信號d(n)。

③傅里葉變換和對數轉換，求出鼾聲的分貝值。

1.2 心率和呼吸率

心率和呼吸率也是判斷呼吸暫停的重要參數。多導睡眠儀利用心電信號采集心率，在使用者身體上貼若干電極。為了提高采集信號的精度，信號電極和參考電極需在人體軀干上相隔足夠遠的空間距離，通常選擇胸部相隔較遠的兩處或左右手。利用血氧飽和度測量呼吸率的方法干擾人的正常睡眠，不能用于長期跟蹤記錄人體的身體狀況。本系統采用基于光強度的高精度微彎型光纖傳感器采集心率呼吸率，光纖傳感器示意圖如圖2所示。整個傳感器用纖維織物包裹。

圖2 光纖傳感器示意圖Fig.2 Schematic diagram of fiber optic sensor

外力作用在微彎型光纖傳感器時，光纖發生彎曲，引起光在光纖內傳播路徑發生變化，產生光的損耗，導致光強度的變化。光纖傳感器結構如圖3所示。

圖3 光纖傳感器結構圖Fig.3 Structure diagram of fiber optic sensor

圖3中：F為外部作用力；d為網格纖維直徑；w為網格纖維間距。

光纖傳感器采用胡峻浩等人[9]設計的單變形結構采集人體的生命特征，通過監測光纖兩端光的強度變化，獲取心率和呼吸率等生理信號。當無人躺在光纖微彎傳感器[10]上時，光纖處于無彎曲狀態，光損耗最小甚至為零，此時接收器得到的光強度近似一條直線。當有人躺在傳感器上時，由于受到自身重力的作用，光纖發生彎曲，光在傳遞過程中造成損耗，接收器端光強度減弱。除卻自身重力的作用，還有兩個關鍵因素影響光強度的變化：一是身體宏觀運動(肢體運動)會引起光纖傳感器所受作用力的變化，使光強度發生變化，光強度信號的變化幅度較大、頻率較低；二是人體的微觀運動(心臟跳動和胸部舒張)對光的強度變化影響較小，其中心臟跳動比呼吸產生光的強度變化信號振幅較小、頻率較高。光纖傳感器檢測心率、呼吸率信號主要受人體微觀運動的影響。光強度變化曲線如圖4所示。

圖4 光強度變化曲線Fig.4 Luminous intensity changing curve

1.3 人體睡姿

睡姿識別目前大致可分為兩種方法。一是利用計算機視覺與模式識別進行人體睡姿識別。葉蔭球、姜太平等[11]提出基于水平集方法和神經網絡的人體睡姿識別，能夠實現四種睡姿的辨別。但是該方法在夜晚光線比較差的條件下效果不好，而且還涉及個人隱私問題。二是采用柔性壓力陣列傳感器監測睡眠姿勢。任志斌等[12]提出基于模糊粗糙集的睡姿壓力圖像識別，實現了六種睡姿的辨別。但該方法計算量較大，不易實現。

本文基于柔性壓力陣列傳感器實現睡姿實時識別，將柔性壓力陣列傳感器的實時壓力數據看作一幅動態變換的數字圖像[13-14 ]。柔性壓力傳感器在t時刻的采樣信息F(t)可以用式(4)所示的矩陣形式來表示。

(4)

式中：M和N分別為柔性壓力傳感器的行數和列數；fij(t)為傳感器第i行第j列的敏感點(i，j)在t時刻的采樣壓力值。

本文使用的柔性壓力陣列傳感器尺寸為：長120 cm×寬80 cm，總敏感點數為120行×80列，測量范圍標稱值為0～60 N/cm2。將t時刻二維矩陣F(t)的壓力數據轉換成數字圖像處理中的一幀單通道灰度圖，借助數字圖像中的高斯濾波、形態學、邊沿提取等算法得到如圖5所示的預處理后輪廓圖。

圖5 預處理后輪廓圖Fig.5 Preprocessed outline diagram

輪廓圖大致分為三個部分：上半身、臀部、雙腿部。根據這幾個部位的壓力分布情況，識別人體睡姿的步驟如下。

①統計每幀圖像中輪廓的個數Sum，判斷Sum的數值。

②如果Sum>3，則此時睡姿為仰臥；否則睡姿為側臥。

③計算上半身區域輪廓的質心G1(x,y)和其對應的矩形框的質心G2(x,y)，然后計算縱坐標差Δy=G1(y)-G2(y)。

④如果Δy>0，則此時睡姿為左側臥；如果Δy<0,則此時睡姿為右側臥；其他情況視為無效。

睡姿測試結果如表1所示。

表1 睡姿測試結果Tab.1 Test results of sleeping posture

2 系統數據分析

將采集到的睡姿、心率、呼吸率、鼾聲數據傳遞到上位機，并實時記錄并分析各項數據，統計呼吸暫停的次數以及發生呼吸暫停時的睡姿信息。系統數據分析流程如圖6所示。

圖6 系統數據分析流程圖Fig.6 Flowchart of system data analysis

一方面，由于睡眠呼吸暫停發生后呼吸困難，心率會迅速上升；另一方面，即使心率處于正常水平，鼾聲過大也表明正常呼吸受阻。因此，綜合考慮心率和鼾聲數據可以更準確的評估睡眠風險。在不同睡眠姿態下，其睡眠風險是有差異的。本研究中呼吸暫停綜合征量化分級模型計算三種睡姿(左側位、右側位和仰臥位)的心率數據和鼾聲數據：

HL=αRHr+βRSnore

(5)

Hr=αRHr+βRSnore

(6)

Hm=αRHr+βRSnore

(7)

RHr=ζ(Hrt-Hr0)

(8)

RSnore=ξ1(ft-f0)+ξ2(At-A0)

(9)

H=Max{HL，Hr，Hm}

(10)

式中：α、β為風險因子；RHr為心率風險指數；RSnore為鼾聲指數；HL為左側位睡姿睡眠風險指數；Hr為右側位睡姿睡眠風險指數；Hm為仰臥位睡姿睡眠風險指數；Hrt為實時心率；Hr0為睡眠時正常安靜心率；ζ為心率風險系數；ft為實時鼾聲頻率；f0為正常安靜鼾聲頻率；At為實時鼾聲波幅；A0為正常安靜鼾聲波幅；ξ1、ξ2為鼾聲風險系數。

通過對三種睡姿的睡眠風險指數進行計算，依據式(10)選取三種睡姿中最大的睡眠風險指數作為測試人員的睡眠風險指數。

3 系統測試試驗

由于SAS是伴隨睡眠的一種癥狀，需要長時間監測。為了方便用戶查看監測過程系統提供了豐富的顯示界面和查看歷史數據功能。十名自愿者(其中五名患者)晚上8 h睡眠的測試結果如表2所示。

表2 測試結果Tab.2 Test results

4 結束語

針對SAS對人睡眠質量的影響，本文綜合人體睡姿、心率、呼吸率、鼾聲強度等生理信息，經過大量的試驗和分析得到較完善的SAS評估模型。但該SAS無擾檢測系統也存在不足之處，易受環境噪聲干擾，這也是接下來需重點改善的問題。該檢測系統在準確性比較弱，但使用的便捷性和舒適性占有絕對優勢，能夠滿足家庭日常使用及預防SAS。