一種便攜式睡眠信息監測系統設計

孫 競，王琳琳，王 磊，王 妍，張雪松，沙 洪

（中國醫學科學院北京協和醫學院生物醫學工程研究所，天津300192）

0 引言

睡眠是人生命中必不可少的活動，睡眠質量不佳會導致白天精神不振，增加發生事故的風險。睡眠問題在老年人身上尤為嚴峻，老年人睡眠缺失和不規律睡眠與重大疾病緊密相關，例如心血管疾病、糖尿病、高血壓、抑郁癥等[1]。睡眠呼吸暫停綜合征也大大地困擾著廣大肥胖者以及心血管疾病患者，這種睡眠呼吸障礙會在睡眠中反復中斷呼吸，極易引發心腦血管并發癥[2-3]。隨著生活節奏的加快，年輕人的睡眠問題也不容忽視，據《2020喜臨門中國睡眠指數報告》報道，年輕人普遍晚睡，平均睡眠時長僅6.92 h，深度睡眠比例不到1/3，有52.5%的年輕人習慣主動熬夜，經常失眠占比36.1%。同時報告指出，許多人反映自己的睡眠存在多夢、覺醒，并有強烈的不安感等問題。長期的睡眠不足和睡眠不規律還會引發一系列健康問題，如免疫力下降、壓力大、肥胖、焦慮、認知障礙以及健忘[1，4-5]。

本研究為了開發一款家用便攜式睡眠信息監測系統，設計了用于記錄脈搏波、心率、血氧飽和度、呼吸異常次數、睡姿等信息的頭戴式硬件設備，同時設計了用于對硬件設備的啟停操作以及接收報告等操作的手機App，實現患者在家中對自身睡眠質量、效率以及呼吸紊亂問題的發生情況的客觀評估，其記錄的睡眠過程的體征數據可供醫生參考，實現更加精準地診斷患者的病情。

1 設計

1.1 硬件設計

睡眠信息監測系統的硬件部分由三大模塊組成，分別是數據檢測模塊、數據傳輸模塊以及電源模塊，這3個模塊通過主控電路聯系在一起實現整體功能。系統的硬件組成框圖如圖1所示。

圖1 睡眠信息監測系統硬件組成框圖

數據檢測模塊的核心部件為天津驚帆科技有限公司開發的用于檢測脈搏波信號及血氧飽和度等指標的脈搏波檢測芯片，型號為JFC1010。其脈搏波信號采集原理為光電容積描記（photoplethysmographic，PPG）技術，這是當今開發便攜式設備的常用技術，具有結構簡單、成本低廉、數據準確等優點；血氧飽和度是利用血液組織成分對同步發射的2路不同波長光的吸收率的差異，通過比爾拉姆波特定律[10]求得，是評估睡眠質量以及判斷呼吸異常的關鍵指標。三軸加速度計選用型號為ADXL345的三軸數字式加速度傳感器，用于記錄頭部的運動情況，進而推算睡眠臥位。

數據傳輸模塊采用藍牙4.1低功耗芯片，型號為DA14580，用于和終端（手機）相連并傳輸數據。

電源模塊包括用于給整個硬件系統供電的電池以及實現充放電功能的電源管理電路，其中，供電電池由2塊額定容量110 mAh、型號為501225的聚合物充放電鋰電池組成，可滿足睡眠監測時長的基本要求。

為了佩戴舒適，開發了頭戴式睡眠信息監測設備的模具，實物圖如圖2所示。檢測時要求患者緊貼額頭佩戴，文字朝向頭顱外部的方向，以無漏光且舒適為宜。

圖2 頭戴式睡眠信息監測設備實物圖

1.2 軟件App設計

軟件App在Android Studio開發環境下設計，用于操控頭戴式睡眠信息監測設備啟停和獲取報告。App的主界面和其他菜單界面如圖3所示。主界面用于檢測模式選擇、開始采集操作、停止采集操作以及采集過程中的波形和生理參數顯示，左上角顯示采集硬件的電量，60%以上的電量可保證整晚的睡眠監測。其他菜單界面主要包括賬戶管理、藍牙連接、顯示設定以及歷史數據，其中賬戶管理用于賬戶信息的顯示及修改、賬戶的注銷；藍牙連接用于藍牙設備的搜索、連接以及斷開操作；用戶可在顯示設定中自定義報告的顯示內容；歷史數據用于查看用戶生理指標的歷史趨勢以及歷史報告。

2.隨著人均可支配收入水平的提高，居民更多追求高端的非基本公共服務消費需求。通過實證可以看出人均可支配收入對三者的影響系數分別為0.453、0.245、0.638，且在1%的水平上顯著，說明人均可支配收入對公共服務均等化指數具有正向影響，使得均等化程度降低。

圖3 手機App界面

患者在使用本系統進行睡眠監測時，需通過手機App向頭戴式睡眠信息監測設備發送“開始檢測”指令，頭戴式睡眠信息監測設備接收到指令后，開始采集人體信號，并通過藍牙將采集的數據實時傳輸到手機端，并寫入本地文件。用戶通過App發出“停止采集”指令后，頭戴式睡眠信息監測設備停止采集并進入休眠狀態，App通過網絡將保存在本地的數據文件傳輸至云端服務器進行數據解析，解析后的結果傳回至手機，手機App以檢測報告的形式將睡眠監測的結果呈現給用戶。檢測過程中手機App與頭戴式睡眠信息監測設備及云端服務器的關系如圖4所示。

圖4 手機App與頭戴式睡眠信息監測設備及云端服務器的通信及數據傳輸

1.3 算法

1.3.1 心率及心率變異性計算

脈搏波檢測芯片所采用的PPG技術通過向人體組織發射紅光或紅外光，并檢測反射到接收板上的光信號的強度來記錄脈搏波信號。由于骨骼、脂肪對光的傳播的影響不變，測得信號的變化主要來自血液容積的變化，而血液容積的變化與心臟的收縮、舒張同步，因此測出的信號呈現與心跳同步的周期性脈動。額頭具有平滑、皮下脂肪少且血管相對豐富的特點，其脈搏波波形呈現明顯的脈動節律，可從中提取心率。

研究表明，用PPG信號測得的心率與心電圖測得的心率信號具有較好的一致性，基于PPG獲得的心率變異性和同步測量心電信號獲得的心率變異性高度相關[11]。本研究通過提取脈搏波信號各個波形周期的特征點來獲取心率并進一步計算心率變異性。首先從脈搏波波形中定位出脈搏波波谷點，通過相鄰周期脈搏波波谷點的時間差可計算得到脈搏間期（pulse to pulse interval，PPI），通過計算1 min內以該PPI為周期的脈搏波搏動的次數求得瞬時心率，得到心率序列。利用心率序列進一步計算心率變異性的時域、頻域以及非線性指標，包括脈搏間期標準差（standard deviation of NN intervals，SDNN）、相鄰脈搏間期差值的均方根（root mean of successive square differences，RMSSD）、變異系數（coefficient of variation，CV）、橢圓長軸SD1、橢圓短軸SD2及長短軸之比SDRatio等，各指標隨時間的變化曲線能夠在一定程度上反映患者的睡眠情況。在睡眠報告中，以PPI（i）為橫坐標，PPI（i+1）為縱坐標繪制Poincare心率散點圖（其中i為某個PPI在整個序列中的位置），該散點圖橢圓的長軸、短軸、面積以及形狀的不同均顯示了心率變異性的大小不同。

1.3.2 呼吸異常識別算法

睡眠呼吸暫停綜合征是一種睡眠呼吸疾病，臨床表現為夜間呼吸暫停以及白天嗜睡，具有高患病率的特點，是導致心腦血管、神經、精神疾病甚至夜間猝死等一系列并發癥的常見原因。臨床上判定呼吸暫停的指標為呼吸暫停低通氣指數（apnea hypopnea index，AHI），該指數反映了平均每小時持續時長大于10 s的呼吸暫停以及低通氣發生次數[12]，AHI小于5則正常，5～15為輕度睡眠呼吸暫停，16～30為中度睡眠呼吸暫停，30以上為重度睡眠呼吸暫停。由于AHI受多種不可控因素影響，單純用AHI來診斷睡眠呼吸暫停疾病存在風險，臨床上常以血氧飽和度低于90%的持續時長以及最低血氧飽和度作為輔助測量手段[7]，研究者們也相繼研究出更加便捷的設備及算法[13-17]。

基于前人對便攜式睡眠呼吸暫停監測設備的開發經驗，本研究設計了睡眠呼吸暫停模擬實驗以觀察在呼吸暫停時生理指標的變化模式，通過觀察被試在模擬實驗過程中的心率變化以及血氧飽和度變化曲線（如圖5所示），發現在呼吸氣流受阻時，存在心率先急劇上升、后下降又回升，在數秒后血氧飽和度大幅度下降后回升的模式。本系統通過識別心率和血氧飽和度的變化模式來定位呼吸異常事件，算法步驟如下：

圖5 睡眠呼吸暫停模擬實驗過程中心率和血氧飽和度的變化曲線

第一步：對心率信號和血氧飽和度信號做平滑處理；

第二步：檢測心率連續上升且持續時長大于10 s、幅度超過幅度閾值的片段；

第三步：在檢測到第二步的片段后，即心率開始上升后的50 s范圍內檢測最低血氧飽和度，當檢測到最低血氧飽和度低于一定閾值時，記一次呼吸異常事件，繼續第二步直至全部序列檢測完畢。

最后，統計呼吸暫停每小時發生的次數，5次及以上則可初篩為睡眠呼吸暫停綜合征。

1.3.3 睡眠臥位的獲取

在許多情況下，一些睡眠障礙患者應該保持或避免特定的睡眠臥位。例如，對于阻塞性睡眠呼吸暫停的患者應避免仰臥睡覺[1]。研究表明，不同睡眠姿勢下的睡眠風險是有差異的[18]，檢測睡眠過程中的睡眠姿勢（仰臥位、左側臥、右側臥）對于不同程度的睡眠呼吸暫停患者具有重要意義。本研究開發的睡眠信息監測設備的佩戴部位是額頭，檢測到的三軸運動信號能夠直接反映頭部的姿態，而頭部是最能反映呼吸道的阻塞程度的部位。通過檢測頭部三軸運動信息，能夠進一步檢測出睡眠臥位，并記錄睡眠過程中的翻身、起夜次數及發生時刻。翻身次數及發生時刻反映了睡眠覺醒狀況，無睡眠障礙的人睡眠過程中每小時翻身次數一般不超過3次。翻身和起夜次數共同反映了睡眠的安穩程度，這對于評估患者睡眠質量具有重要意義。

三軸加速度信息與6種體位的對應關系如圖6所示，當檢測到Z軸的正向程度遠遠超出Y軸和X軸的正、負向程度，則判定為仰臥位；當Y軸的正向程度遠遠超出X軸和Z軸的正、負向程度時，判定為左側臥位，Y軸負向程度占主導時判定為右側臥位；X軸的正向程度占主導時判定為站立姿勢，此時可根據歷史臥位狀態及持續時間進一步判定是否為起夜活動。

圖6 三軸加速度信息與體位的對應關系

2 性能測試

2.1 生理參數統計結果

通過對本系統采集的睡眠障礙患者的心率、血氧飽和度以及心率變異性指標進行統計，并將睡眠過程中的心率分布情況、血氧飽和度分布情況、每5 min心率變異性時域指標隨時間變化曲線以及Poincare心率散點圖以每小時為時間節點繪制出來，以觀察各生理參數的分布情況等能否真正反映睡眠情況。患者入睡后第1小時的各生理參數的情況如圖7所示。

圖7 入睡后第1小時的參數

圖7中顯示，該患者這1 h的心率集中在50～60次/min，分布呈正偏態，少量的心率在65～80次/min，這是患者在覺醒和微覺醒狀態時的心率水平；血氧飽和度多集中在98%～99%，最低96%，說明這1 h內該患者未出現明顯低氧的情況；每5 min心率變異性時域指標隨時間變化曲線中SDNN、RMSSD、CV、SD1、SD2以及SDRatio均呈現先下降后趨于平緩的趨勢，在第15分鐘左右達到穩定，說明患者前15 min處于覺醒或微覺醒狀態，后逐漸進入睡眠狀態；Poincare心率散點圖整體呈現窄而長的橢圓狀，說明在這1 h中患者的心率水平有一定的跨度，橢圓大小頭連續無間斷，說明心率由高水平到較低水平的變化是平緩的，無早搏、心律失常等癥狀。

2.2 呼吸異常識別驗證

為了驗證本系統利用心率和血氧飽和度序列識別呼吸異常的算法對識別呼吸暫停患者的有效性，將PhysioNet[19]數據庫中的呼吸暫停心電數據庫（ApneaECG Database）作為驗證數據集，使用其中伴有血氧飽和度信號的8條記錄（a01～a04、b01和c01～c03）來驗證呼吸異常檢測算法的可行性。以專家的注釋為基準，該算法的敏感度為90.5531%、特異度為89.0026%、精確度為84.9563%。

2.3 睡眠臥位判斷結果

通過將原始三軸加速度計數據和睡眠臥位判斷結果繪制在同一坐標系下，展示本系統對睡眠臥位以及翻身的識別情況。

將通過三軸加速度信息計算的睡眠臥位判定結果設定為右側臥位=0、仰臥位=1、俯臥位=2、站立位=3、倒立位=4、左側臥位=5，并將其與三軸加速度計信號繪制在同一坐標系上，如圖8所示。在坐標系顯示的時間跨度內，該患者存在4次明顯的翻身動作，分別是從仰臥變為左側臥、左側臥變為仰臥、仰臥變為左側臥、左側臥變為右側臥。

圖8 三軸加速度數據及睡眠臥位判斷結果

2.4 App睡眠報告呈現效果

患者在使用本系統完成睡眠監測后，通過App中呈現的報告獲取檢測結果。報告顯示的內容包括每小時及睡眠全程的平均和基準心率、最低和基準血氧飽和度水平、呼吸暫停次數、各睡眠臥位占比、翻身和起夜情況以及每小時的心率散點圖。圖9展示了某測試用戶在睡眠第1小時和總睡眠時長的報告截圖，用戶可參考該報告了解自己的睡眠狀況，通過參考睡眠過程中的異常呼吸事件決定是否需要就醫。

圖9 用戶睡眠監測后的報告截圖

2.5 對睡眠呼吸暫停患者區分情況

為了評估本系統對存在不同程度睡眠問題的患者的區分情況，使用頭戴式睡眠信息監測設備分別檢測了1名睡眠呼吸暫停綜合征患者（48歲，男）和1名非呼吸暫停患者（44歲，男）的睡眠信息。其中，睡眠呼吸暫停綜合征患者多導睡眠圖睡眠監測診斷結果為中度睡眠呼吸暫停綜合征，打鼾，高血壓；非呼吸暫停患者自述無各種形式睡眠障礙，血壓正常，無其他不良癥狀。采集的數據均為夜間睡眠過程中的數據。非呼吸暫停患者和睡眠呼吸暫停綜合征患者的睡眠監測結果對比見表1。表1中顯示，睡眠呼吸暫停綜合征患者的呼吸異常次數最多的1 h檢測到24次，超過了5次，達到本系統設定的睡眠呼吸暫停綜合征初篩條件，而非呼吸暫停患者的每小時呼吸異常次數為0次；另外，睡眠呼吸暫停綜合征患者最低血氧飽和度為79%，低于80%，處于嚴重缺氧水平，基準心率也較非呼吸暫停患者高很多。二者的心率變異性也有較大區別，非呼吸暫停患者睡眠過程中的心率在小范圍內波動，而睡眠呼吸暫停綜合征患者在病發的過程中心率是大幅度震蕩的模式，這在Poincare心率散點圖（如圖10所示）上表現為非呼吸暫停患者的散點圖為常見的彗星狀，而睡眠呼吸暫停綜合征患者散點圖的橢圓長軸偏短、短軸偏寬、面積較大，整體呈大圓點狀。睡眠呼吸暫停綜合征患者每小時翻身6次，睡姿變化更頻繁，而非呼吸暫停患者每小時翻身0～3次，表明睡眠呼吸暫停綜合征患者由于睡眠過程中氣流阻塞導致驚醒次數增多。對比結果說明本系統可以有效區分無明顯睡眠障礙的人與存在睡眠障礙的患者，對只睡眠中才體現的疾病癥狀具有篩查價值。

表1 非呼吸暫停患者與睡眠呼吸暫停綜合征患者睡眠監測結果對比

圖10 非呼吸暫停患者和睡眠呼吸暫停綜合征患者1 h的Poincare心率散點圖分布

3 結語

本研究設計了一款家用便攜式睡眠信息監測系統，參考本系統的睡眠監測報告，患者可以直觀認識到自己的睡眠質量、睡眠效率以及呼吸異常狀況等。測試數據對比顯示，本系統能夠實現對睡眠呼吸暫停患者與非呼吸暫停患者的有效區分。一方面，本系統可實現患者在家即可隨時監測睡眠狀況，發現問題及時就醫；另一方面，患者長時間監測的身體數據可為醫生診斷提供參考價值，使醫生更有針對性地尋找病因，提高診斷效率。相比需要貼大量電極片、佩戴多種傳感器件的多導睡眠儀器，本系統佩戴舒適、對睡眠活動造成的干擾小、成本更低，更適合睡眠障礙患者在家睡眠時佩戴，這對于節約醫療資源有重要意義。

但本系統的頭戴式硬件設備仍存在舒適性不足及佩戴過程中脫落的問題，針對用戶自行佩戴時無法掌握佩戴松緊度的問題，如佩戴過緊導致長時間佩戴出現局部壓力，佩戴過松導致信號質量無法保證等，下一步將進一步優化App交互設計，用于協助用戶調整佩戴松緊度，進一步開發異常數據檢測算法，以期解決采集過程中數據無效的問題。另外，將進一步展開睡眠呼吸暫停患者在不同臥位下的生理參數對比研究，通過比較睡眠呼吸暫停患者在不同臥位下的呼吸異常事件的異同，為其提出合理的睡姿建議，從而進一步完善睡眠信息監測系統的功能。