睡眠呼吸暫停檢測方法研究進(jìn)展

宋美華，林錦淇，張景浩，劉冰冰，莫忠

廣州新華學(xué)院 生物醫(yī)學(xué)工程學(xué)院，廣東 廣州 510520

引言

隨著現(xiàn)代社會的不斷進(jìn)步，睡眠問題正逐漸受到人們的重視。睡眠呼吸暫停低通氣綜合征（Sleep Apnea Hypopnea Syndrome，SAHS）是一類發(fā)病率較高的睡眠呼吸系統(tǒng)疾病，可造成大量患者因呼吸停止而猝死，也是冠心病、高血壓等慢性病的主要誘發(fā)原因之一，嚴(yán)重危害患者的生命健康[1-3]。睡眠呼吸檢測作為睡眠呼吸暫停診斷的主要環(huán)節(jié)及手段，主要通過心跳頻率、呼吸頻率以及血氧信號等生理參數(shù)進(jìn)行睡眠狀態(tài)的判斷。多導(dǎo)睡眠監(jiān)測（Polysomnography，PSG）是SAHS 監(jiān)測的“金標(biāo)準(zhǔn)”，使用時需在患者身上安裝多種傳感器，如腦電、心電、肌電、皮電、血壓、呼吸等，患者需在醫(yī)院、睡眠監(jiān)測中心等專業(yè)場所進(jìn)行至少一晚上的睡眠監(jiān)測。由于PSG 具有費(fèi)用昂貴、檢測時間長以及操作復(fù)雜等劣勢，許多專家學(xué)者嘗試從不同角度對SAHS 進(jìn)行研究檢測，提出多種SAHS 的檢測算法研究，期望通過算法簡化多導(dǎo)睡眠圖檢測的復(fù)雜程度，研究出多種新型SAHS 監(jiān)護(hù)設(shè)備，為優(yōu)化耗時的傳統(tǒng)PSG 提供支持。

本文對接觸型和非接觸型SAHS 監(jiān)護(hù)設(shè)備的硬件和軟件算法進(jìn)行分析，對各項(xiàng)技術(shù)的研究成果展開論述，并對SAHS 檢測方法未來的研究方向進(jìn)行展望。

1 新型SAHS監(jiān)護(hù)設(shè)備的硬件研究

1.1 可穿戴接觸式測量

可穿戴式是健康監(jiān)測的重要發(fā)展方向，隨著電子產(chǎn)品的高度集成化，可穿戴睡眠呼吸暫停監(jiān)護(hù)設(shè)備的研發(fā)有了較多進(jìn)展。在睡眠呼吸信號檢測方面，呼吸信號的有無是判斷睡眠呼吸暫停最直接的依據(jù)。Pant 等[4]制作了一款放在鼻尖區(qū)域的基于微控制器溫度傳感器的運(yùn)動呼吸檢查系統(tǒng)，實(shí)現(xiàn)對患者呼吸頻率的適當(dāng)測量，該設(shè)備根據(jù)傳感器和患者呼吸模式的變化方式對接收到的信息產(chǎn)生響應(yīng)，能夠?yàn)獒t(yī)生提供了解病情的可行性和靈活性。此外，Simi? 等[5]提出一種具有便攜操作和低功耗特點(diǎn)的輕便設(shè)備，通過在口罩上繡有交叉電極的紡織品電容傳感器來測量呼吸頻率，該設(shè)備能夠快速響應(yīng)和縮短恢復(fù)時間，克服了呼吸監(jiān)測系統(tǒng)領(lǐng)域當(dāng)前技術(shù)水平的局限性。為提高患者穿戴舒適性，Cinel 等[6]提出利用可穿戴傳感器技術(shù)跟蹤患者的呼吸頻率，通過放置在患者腹部的加速計(jì)傳感器，測量腹部受呼吸關(guān)聯(lián)的壓力變化信號以直接測得呼吸波形，能夠更簡單地獲取呼吸信號，但抗干擾能力較弱。因此測量呼吸信號時如何避免體動、環(huán)境等外界因素的干擾成為研究的重點(diǎn)。

SAHS 患者發(fā)生呼吸暫停或低通氣后產(chǎn)生的首要生理效應(yīng)就是機(jī)體缺氧，血氧飽和度（Blood Oxygen Saturation，SpO2）監(jiān)測可以作為SAHS 的初篩診斷方法。Jung 等[7]設(shè)計(jì)了一款可以測量心率、血壓和SpO2的腕戴式脈搏血氧儀來監(jiān)測睡眠狀態(tài)，而Syaifudin 等[8]開發(fā)了一種測量SpO2和心率等生理參數(shù)，且具有外部存儲能力的指夾式脈搏血氧儀，證實(shí)了手指部位所測的SpO2與動脈SpO2差異更小，但使用過程中存在指夾易脫落、長時間監(jiān)測易導(dǎo)致指尖局部組織紅腫的問題[9]。Sharma 等[3]通過測量脈搏SpO2信號來表示血液中氧氣含量的百分比，提出了一種有效、高效和可持續(xù)的睡眠呼吸暫停自動檢測系統(tǒng)，最優(yōu)處理精度可達(dá)95.97%。Light 等[10]通過測量心率、氧合血紅蛋白飽和度、鼻腔氣流和呼吸頻率，評估受試者所處阻塞性睡眠呼吸暫停（Obstructive Sleep Apnoea，OSA）的輕重程度，但因監(jiān)測期間缺乏腦電數(shù)據(jù)，睡眠碎片化或低效睡眠患者的SAHS 嚴(yán)重程度容易被低估，從而影響監(jiān)測結(jié)果。相比之下，潘澤森等[11]通過測量腦電、眼電、鼻氣流溫度場變化、SpO2以及體動等5 個生理參數(shù)，研制出一體式睡眠呼吸暫停監(jiān)測系統(tǒng)，其中分析系統(tǒng)對信號進(jìn)行多數(shù)據(jù)融合，證明結(jié)合腦電信號數(shù)據(jù)的監(jiān)測效果更好。

研究發(fā)現(xiàn)SAHS 與心電（Electrocardiograph，ECG）信號存在高度相關(guān)性，因此利用ECG 信號對SAHS 進(jìn)行檢測已成為研究熱點(diǎn)。Baty 等[12]開發(fā)了一種可穿戴式心電圖采集系統(tǒng)，并通過數(shù)據(jù)預(yù)濾波和不濾波的心率變異性（Heart Rate Variablity，HRV）分析來研究其對睡眠呼吸暫停嚴(yán)重程度分類的適用性。所測ECG信號準(zhǔn)確度高，可用于評估睡眠呼吸暫停嚴(yán)重程度。Ayatollahi 等[13]通過測量ECG 信號，利用算法對OSA進(jìn)行有效分類，而Bahrami 等[14]提出了采用單導(dǎo)聯(lián)測量ECG 信號，并運(yùn)用算法來構(gòu)建呼吸暫停發(fā)生的預(yù)測睡眠呼吸暫停框架，提取最具預(yù)測性的ECG 特征并預(yù)測睡眠呼吸暫停的發(fā)生。Zarei 等[15]開發(fā)了一種基于單導(dǎo)聯(lián)心電圖信號的呼吸暫停檢測算法的自動特征提取方法，結(jié)果表明，與其他睡眠呼吸暫停檢測方法相比，此方法有顯著改進(jìn)。

1.2 無接觸式測量

患者在睡眠時會產(chǎn)生各種動態(tài)信號，如胸腹運(yùn)動、血管搏動等，對測量環(huán)境中的物質(zhì)產(chǎn)生擾動，對此，在進(jìn)行無接觸式測量生理參數(shù)時使用一組特殊信號的發(fā)射器和接收器，可以得到準(zhǔn)確的呼吸暫停特征信號[16]。Nakagawa 等[17]開發(fā)了一種使用近紅外相機(jī)測量SpO2的系統(tǒng)，并評估了所提出的系統(tǒng)和算法的有效性，證明了開發(fā)系統(tǒng)以非接觸方式可以有效測量SpO2，但該系統(tǒng)對使用環(huán)境要求較高。為解決這一問題，Lan 等[18]提出了一種基于動態(tài)頻譜原理的多光譜相機(jī)捕獲臉頰區(qū)域的視頻非接觸式SpO2測量方式，該方式的預(yù)測結(jié)果接近市場上大多數(shù)脈搏血氧儀的預(yù)測精度（±2%），消除了靜態(tài)組織、個體差異和環(huán)境的干擾，但設(shè)備復(fù)雜性較高。此外，有研究[19]進(jìn)一步驗(yàn)證了面部區(qū)域在心率和呼吸頻率監(jiān)測方面的潛力，通過探索不同身體器官的潛力，發(fā)現(xiàn)面部區(qū)域可以提供比其他身體器官更準(zhǔn)確的心率測量，在重癥監(jiān)護(hù)、手術(shù)、COVID 診斷和睡眠質(zhì)量分析中有重要意義，但使用相機(jī)有可能引起隱私問題。

打鼾是阻塞性睡眠呼吸暫停低通氣綜合征（Obstructive Sleep Apnea Hypopnea Syndrome，OSAHS）的典型癥狀。打鼾聲的聲學(xué)分析已被證明有可能開發(fā)一種非侵入性方法來輔助診斷OSAHS。Swarnkar 等[20]開發(fā)了一種用于鼾聲檢測的人工神經(jīng)網(wǎng)絡(luò)模型，但是在表示時間序列上的優(yōu)勢并不明顯。為了克服這個問題，Arsenali 等[21]提出了可以較好地表達(dá)鼾聲的時間序列特征的深度循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）模型，并取得了較高的準(zhǔn)確度。Cheng 等[22]提出了一種可從單純打鼾中識別呼吸事件相關(guān)的鼾聲的基于長短期記憶的分類器，通過接收各種音頻特征合成信息來識別鼾聲，準(zhǔn)確度為81.6%，識別結(jié)果可為醫(yī)生診斷SAHS 提供幫助。

雷達(dá)是一種對微小運(yùn)動非常敏感的傳感器，監(jiān)測某些生理參數(shù)時，更便宜、更容易操作。近年來，利用雷達(dá)進(jìn)行生命體征監(jiān)測獲得了極大的關(guān)注。空軍軍醫(yī)大學(xué)的陳逸嘉等[23]設(shè)計(jì)出了一種非穿戴式檢測以緩解阻塞性睡眠呼吸暫停的智能枕頭，并使用生物雷達(dá)對患者呼吸信號進(jìn)行實(shí)時采集，可有效緩解呼吸暫停，其響應(yīng)速度快，準(zhǔn)確度可達(dá)90%，在健康管理設(shè)備及臨床輔助診斷領(lǐng)域有較大的發(fā)展?jié)摿Αan 等[24]開發(fā)一種針對超寬帶（Ultra Wide-Band，UWB）雷達(dá)頻譜圖和機(jī)器學(xué)習(xí)的非接觸式睡眠呼吸暫停檢測方法，該方法可提高基于心電圖的睡眠呼吸暫停自動檢測的準(zhǔn)確度和特異性，但UWB 雷達(dá)的精度不高，且測量范圍小。Zhuang 等[25]為解決這一問題，提出了一種基于睡眠呼吸暫停檢測框架的調(diào)頻連續(xù)波（Frequency Modulated Continuous Wave，F(xiàn)MCW）雷達(dá)非接觸式生命體征監(jiān)測系統(tǒng)，使用雷達(dá)系統(tǒng)與PSG 比較記錄整夜的睡眠數(shù)據(jù)。FMCW 雷達(dá)可以傳輸相對較高的功率，從而達(dá)到較高的信噪比，更精確地檢測睡眠呼吸暫停，然而其仍需要校準(zhǔn)以補(bǔ)償頻率掃描期間的非線性。Kwon 等[26]提出了一種基于深度學(xué)習(xí)模型的脈沖無線電超寬帶（Impulse Radio UltraWide-Band，IR-UWB）雷達(dá)進(jìn)行實(shí)時睡眠呼吸暫停事件檢測的新方法，該方法實(shí)現(xiàn)了對SAHS 嚴(yán)重程度進(jìn)行分類的先進(jìn)功能。與FMCW 雷達(dá)相比，IR-UWB 雷達(dá)的精度和信噪比略高，但可能會增加硬件設(shè)計(jì)的成本和復(fù)雜性[27]。

2 SAHS檢測的軟件算法

2.1 深度學(xué)習(xí)

近年來，一些研究使用深度學(xué)習(xí)實(shí)現(xiàn)了對SAHS的檢測，為SAHS 監(jiān)護(hù)設(shè)備提供算法支持。Teng 等[28]提出了基于深度主動學(xué)習(xí)的模型來從心電圖中檢測OSAHS 事件，設(shè)計(jì)并開發(fā)使用心電傳感器和智能手機(jī)的OSAHS 監(jiān)測系統(tǒng)原型，該方法達(dá)到了較好的精度。Urtnasan 等[29]利用短期正常心電信號的30 s 片段，研究了深度學(xué)習(xí)架構(gòu)下睡眠呼吸的檢測，但只能識別睡眠呼吸的嚴(yán)重程度，不能對SAHS 進(jìn)行分類。Jothi 等[30]開發(fā)了一種基于雙向長短期記憶、時間卷積網(wǎng)絡(luò)和時間卷積網(wǎng)絡(luò)-長短期記憶網(wǎng)絡(luò)等3 種深度學(xué)習(xí)的框架，用于使用光電容積脈搏波傳感器從受試者指尖記錄的光電容積描記圖信號中自動提取和檢測OSA 事件，該研究表明使用深度學(xué)習(xí)有助于以更快的速度進(jìn)行實(shí)時自動OSA 篩查，并減少對復(fù)雜且耗時的PSG 研究的需要。Sharma 等[31]基于深度學(xué)習(xí)模型進(jìn)行SpO2和脈搏率信號分析的自動呼吸暫停事件檢測，為無創(chuàng)脈搏血氧儀傳感器檢測睡眠呼吸暫停事件提供了一種穩(wěn)定而靈敏的方法。

2.2 隨機(jī)森林

近年，不少學(xué)者基于隨機(jī)森林算法構(gòu)建SAHS 篩查模型，省略了PSG 檢查繁瑣的步驟和分析，為臨床提供了快速簡單的SAHS 篩查。Deviaene 等[32]使用隨機(jī)森林分類器對基于隨機(jī)森林的特征選擇算法在睡眠呼吸暫停檢測中的應(yīng)用進(jìn)行了研究，得到該算法的準(zhǔn)確度為82.6%～87.4%。Nakayama 等[33]基于隨機(jī)森林的特征選擇算法來篩查OSA，該算法用于HRV 的正常呼吸/睡眠呼吸暫停鑒別模型，其敏感度為76%，特異性為92%，但是該檢測研究應(yīng)在OSA篩查的背景下評估長期HRV特征。Zhu等[34]開發(fā)和評估基于心電圖和SpO2的睡眠呼吸檢測模型，采用多模態(tài)方法在特征層面融合ECG和SpO2信號，使用遞歸特征消除交叉驗(yàn)證算法和隨機(jī)森林分類器，并進(jìn)行特征選擇，用于區(qū)分呼吸暫停和正常事件，證明了心電圖和SpO2在檢測睡眠呼吸暫停事件方面具有互補(bǔ)性。心電圖和SpO2的結(jié)合增強(qiáng)了對睡眠呼吸暫停的診斷能力。

2.3 深度神經(jīng)網(wǎng)絡(luò)

通過對近年來相關(guān)文獻(xiàn)的搜索，發(fā)現(xiàn)較多研究使用深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Networks，DNN）對睡眠呼吸暫停等級進(jìn)行分類。Ayatollahi 等[13]通過遷移學(xué)習(xí)用于適應(yīng)預(yù)訓(xùn)練的深度卷積神經(jīng)網(wǎng)絡(luò)，對OSA 進(jìn)行分類，具有較好的前沿性。Lin 等[35]應(yīng)用混合DNN 提取鼾聲參數(shù)的頻率、共振峰、能量類等特征點(diǎn)，并以此對SAHS 疾病進(jìn)行初步篩查。該方法操作簡單，舒適度高，易于被用戶接受，但錄音設(shè)備在收集關(guān)鍵信號鼾聲時，容易受到環(huán)境噪聲的影響，從而影響檢測結(jié)果。Lakhan等[36]基于DNN 處理提取的PSG 中鼻氣流信號，并利用呼吸暫停低通氣指數(shù)（Apnea Hypopnea Index，AHI）值分界點(diǎn)實(shí)現(xiàn)二分類，根據(jù)不同嚴(yán)重程度進(jìn)行四分類。Vattamthanam 等[37]基于HRV 和呼吸變異性特征，開發(fā)了具有4 個隱藏層的DNN 系統(tǒng)，使用DNN 啟動了睡眠呼吸暫停分類系統(tǒng)。Li 等[38]提出了一種基于DNN和隱馬爾可夫模型的單導(dǎo)聯(lián)心電信號檢測OSA 的方法，該方法利用稀疏自動編碼器來學(xué)習(xí)未標(biāo)記的ECG 信號特征。Romero 等[39]提出了一種通過DNN 對在家中使用智能手機(jī)記錄的睡眠呼吸聲進(jìn)行分析，并對OSA 進(jìn)行篩查的新方法，根據(jù)預(yù)測包含OSA 數(shù)據(jù)片段的AHI指數(shù)來篩查病情。該系統(tǒng)敏感度和特異性分別為78%和93%，實(shí)現(xiàn)了在不進(jìn)行專用設(shè)備限制、嚴(yán)格環(huán)境控制等條件下對OSA 的篩查。Bahrami 等[14]提出了一種基于RNN 模型的呼吸暫停信號檢測框架，其預(yù)測精度高達(dá)94.95%，優(yōu)于傳統(tǒng)多層感知器和其他先進(jìn)技術(shù)的性能。

3 總結(jié)與展望

對于SAHS 的檢測研究是一個熱點(diǎn)問題，近年來，國內(nèi)外許多學(xué)者在SAHS 監(jiān)測設(shè)備的硬件設(shè)計(jì)以及硬件中所需要的軟件算法的相應(yīng)產(chǎn)品方面做了大量的研究工作，但仍然存在成本高、舒適性較差、檢測準(zhǔn)確度較低以及穩(wěn)定性較差等一系列問題。在硬件系統(tǒng)設(shè)計(jì)方面，腹部受呼吸關(guān)聯(lián)的壓力變化信號測量和鼾聲檢測會受環(huán)境等外界因素影響，從而出現(xiàn)以下問題：① 傳感器所測量的信號不準(zhǔn)確；② 指夾式血氧儀測量時易脫落，且長時間監(jiān)測容易導(dǎo)致指尖局部組織紅腫；③ 非接觸方式相機(jī)SpO2測量有可能引起隱私問題；④ 雷達(dá)非接觸式生命體征監(jiān)測系統(tǒng)精度不高、測量范圍小等。在軟件算法方面：① 在構(gòu)建鑒別SAHS 模型時，無法做到在OSA篩查的背景下評估長期HRV 特征，導(dǎo)致篩查結(jié)果準(zhǔn)確度不夠；② 深度學(xué)習(xí)模型對監(jiān)測的生理參數(shù)分析，只能檢測識別患者SAHS 嚴(yán)重程度，但不能對SAHS 進(jìn)行有效分類、分級；③ 隨機(jī)森林特征選擇算法對睡眠呼吸暫停檢測篩查的效率低，導(dǎo)致篩查時間變長；④ 使用深度神經(jīng)網(wǎng)絡(luò)對SAHS 等級分類，提取生理參數(shù)特征點(diǎn)以及對SAHS 疾病篩查準(zhǔn)確度不高，影響分級效果等問題。

可穿戴式新型SAHS 監(jiān)護(hù)設(shè)備通過各種接觸型傳感器測量生理參數(shù)，其硬件系統(tǒng)的設(shè)計(jì)需考慮患者的舒適性。非接觸式測量設(shè)備研究由于具備不直接接觸人體，可以在一定范圍內(nèi)對患者的生理參數(shù)進(jìn)行監(jiān)測的特點(diǎn)，在SAHS 相關(guān)生理參數(shù)的檢測研究方面具有一定潛力，值得進(jìn)一步挖掘。

在針對SAHS 監(jiān)測設(shè)備的軟件算法研究中，各類算法模型分析方法的表現(xiàn)各有不同，應(yīng)當(dāng)根據(jù)設(shè)備采集的信號特點(diǎn)選擇合適的算法。機(jī)器學(xué)習(xí)的快速發(fā)展也為多參數(shù)融合技術(shù)代替?zhèn)鹘y(tǒng)的PSG 研究等方向提供了新的途徑。基于隨機(jī)森林算法構(gòu)建篩查的SAHS 模型，省略了PSG 繁瑣的步驟和分析。各類算法模型的構(gòu)建可以不局限于單種類型模型的構(gòu)建，可結(jié)合多種深度學(xué)習(xí)方式構(gòu)建學(xué)習(xí)框架以及結(jié)合各類算法模型處理生理參數(shù)的優(yōu)勢來構(gòu)建混合模型。

建立遠(yuǎn)程監(jiān)護(hù)與個人睡眠呼吸暫停健康檢測的信息管理系統(tǒng)，對SAHS 進(jìn)行量化分級，開發(fā)手機(jī)APP，建立數(shù)據(jù)庫以長期記錄患者的身體情況，方便了醫(yī)護(hù)人員了解被測者的歷史監(jiān)測信息，為患者睡眠風(fēng)險指數(shù)評判和后期的治療提供數(shù)據(jù)來源；利用互聯(lián)網(wǎng)，實(shí)現(xiàn)遠(yuǎn)程監(jiān)護(hù)與控制，使被測者在家中即可得到醫(yī)護(hù)人員的監(jiān)護(hù)。

綜上所述，未來可以在改進(jìn)硬件設(shè)計(jì)、提升軟件算法、增加臨床試驗(yàn)、豐富應(yīng)用場景、完善行業(yè)標(biāo)準(zhǔn)、建立遠(yuǎn)程監(jiān)護(hù)信息管理平臺等方向開展研究，為睡眠呼吸暫停監(jiān)護(hù)提供舒適、便捷的解決方案。