睡眠呼吸暫停檢測方法研究進展

宋美華，林錦淇，張景浩，劉冰冰，莫忠

廣州新華學院 生物醫學工程學院，廣東 廣州 510520

引言

隨著現代社會的不斷進步，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）是一類發病率較高的睡眠呼吸系統疾病，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原因之一，嚴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節及手段，主要通過心跳頻率、呼吸頻率以及血氧信號等生理參數進行睡眠狀態的判斷。多導睡眠監測（Polysomnography，PSG）是SAHS 監測的“金標準”，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，患者需在醫院、睡眠監測中心等專業場所進行至少一晚上的睡眠監測。由于PSG 具有費用昂貴、檢測時間長以及操作復雜等劣勢，許多專家學者嘗試從不同角度對SAHS 進行研究檢測，提出多種SAHS 的檢測算法研究，期望通過算法簡化多導睡眠圖檢測的復雜程度，研究出多種新型SAHS 監護設備，為優化耗時的傳統PSG 提供支持。

本文對接觸型和非接觸型SAHS 監護設備的硬件和軟件算法進行分析，對各項技術的研究成果展開論述，并對SAHS 檢測方法未來的研究方向進行展望。

1 新型SAHS監護設備的硬件研究

1.1 可穿戴接觸式測量

可穿戴式是健康監測的重要發展方向，隨著電子產品的高度集成化，可穿戴睡眠呼吸暫停監護設備的研發有了較多進展。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。Pant 等[4]制作了一款放在鼻尖區域的基于微控制器溫度傳感器的運動呼吸檢查系統，實現對患者呼吸頻率的適當測量，該設備根據傳感器和患者呼吸模式的變化方式對接收到的信息產生響應，能夠為醫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的輕便設備，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，該設備能夠快速響應和縮短恢復時間，克服了呼吸監測系統領域當前技術水平的局限性。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跟蹤患者的呼吸頻率，通過放置在患者腹部的加速計傳感器，測量腹部受呼吸關聯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、環境等外界因素的干擾成為研究的重點。

SAHS 患者發生呼吸暫停或低通氣后產生的首要生理效應就是機體缺氧，血氧飽和度（Blood Oxygen Saturation，SpO2）監測可以作為SAHS 的初篩診斷方法。Jung 等[7]設計了一款可以測量心率、血壓和SpO2的腕戴式脈搏血氧儀來監測睡眠狀態，而Syaifudin 等[8]開發了一種測量SpO2和心率等生理參數，且具有外部存儲能力的指夾式脈搏血氧儀，證實了手指部位所測的SpO2與動脈SpO2差異更小，但使用過程中存在指夾易脫落、長時間監測易導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、高效和可持續的睡眠呼吸暫停自動檢測系統，最優處理精度可達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，但因監測期間缺乏腦電數據，睡眠碎片化或低效睡眠患者的SAHS 嚴重程度容易被低估，從而影響監測結果。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，研制出一體式睡眠呼吸暫停監測系統，其中分析系統對信號進行多數據融合，證明結合腦電信號數據的監測效果更好。

研究發現SAHS 與心電（Electrocardiograph，ECG）信號存在高度相關性，因此利用ECG 信號對SAHS 進行檢測已成為研究熱點。Baty 等[12]開發了一種可穿戴式心電圖采集系統，并通過數據預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重程度分類的適用性。所測ECG信號準確度高，可用于評估睡眠呼吸暫停嚴重程度。Ayatollahi 等[13]通過測量ECG 信號，利用算法對OSA進行有效分類，而Bahrami 等[14]提出了采用單導聯測量ECG 信號，并運用算法來構建呼吸暫停發生的預測睡眠呼吸暫停框架，提取最具預測性的ECG 特征并預測睡眠呼吸暫停的發生。Zarei 等[15]開發了一種基于單導聯心電圖信號的呼吸暫停檢測算法的自動特征提取方法，結果表明，與其他睡眠呼吸暫停檢測方法相比，此方法有顯著改進。

1.2 無接觸式測量

患者在睡眠時會產生各種動態信號，如胸腹運動、血管搏動等，對測量環境中的物質產生擾動，對此，在進行無接觸式測量生理參數時使用一組特殊信號的發射器和接收器，可以得到準確的呼吸暫停特征信號[16]。Nakagawa 等[17]開發了一種使用近紅外相機測量SpO2的系統，并評估了所提出的系統和算法的有效性，證明了開發系統以非接觸方式可以有效測量SpO2，但該系統對使用環境要求較高。為解決這一問題，Lan 等[18]提出了一種基于動態頻譜原理的多光譜相機捕獲臉頰區域的視頻非接觸式SpO2測量方式，該方式的預測結果接近市場上大多數脈搏血氧儀的預測精度（±2%），消除了靜態組織、個體差異和環境的干擾，但設備復雜性較高。此外，有研究[19]進一步驗證了面部區域在心率和呼吸頻率監測方面的潛力，通過探索不同身體器官的潛力，發現面部區域可以提供比其他身體器官更準確的心率測量，在重癥監護、手術、COVID 診斷和睡眠質量分析中有重要意義，但使用相機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。打鼾聲的聲學分析已被證明有可能開發一種非侵入性方法來輔助診斷OSAHS。Swarnkar 等[20]開發了一種用于鼾聲檢測的人工神經網絡模型，但是在表示時間序列上的優勢并不明顯。為了克服這個問題，Arsenali 等[21]提出了可以較好地表達鼾聲的時間序列特征的深度循環神經網絡（Recurrent Neural Network，RNN）模型，并取得了較高的準確度。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，準確度為81.6%，識別結果可為醫生診斷SAHS 提供幫助。

雷達是一種對微小運動非常敏感的傳感器，監測某些生理參數時，更便宜、更容易操作。近年來，利用雷達進行生命體征監測獲得了極大的關注。空軍軍醫大學的陳逸嘉等[23]設計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，并使用生物雷達對患者呼吸信號進行實時采集，可有效緩解呼吸暫停，其響應速度快，準確度可達90%，在健康管理設備及臨床輔助診斷領域有較大的發展潛力。Han 等[24]開發一種針對超寬帶（Ultra Wide-Band，UWB）雷達頻譜圖和機器學習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確度和特異性，但UWB 雷達的精度不高，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頻連續波（Frequency Modulated Continuous Wave，FMCW）雷達非接觸式生命體征監測系統，使用雷達系統與PSG 比較記錄整夜的睡眠數據。FMCW 雷達可以傳輸相對較高的功率，從而達到較高的信噪比，更精確地檢測睡眠呼吸暫停，然而其仍需要校準以補償頻率掃描期間的非線性。Kwon 等[26]提出了一種基于深度學習模型的脈沖無線電超寬帶（Impulse Radio UltraWide-Band，IR-UWB）雷達進行實時睡眠呼吸暫停事件檢測的新方法，該方法實現了對SAHS 嚴重程度進行分類的先進功能。與FMCW 雷達相比，IR-UWB 雷達的精度和信噪比略高，但可能會增加硬件設計的成本和復雜性[27]。

2 SAHS檢測的軟件算法

2.1 深度學習

近年來，一些研究使用深度學習實現了對SAHS的檢測，為SAHS 監護設備提供算法支持。Teng 等[28]提出了基于深度主動學習的模型來從心電圖中檢測OSAHS 事件，設計并開發使用心電傳感器和智能手機的OSAHS 監測系統原型，該方法達到了較好的精度。Urtnasan 等[29]利用短期正常心電信號的30 s 片段，研究了深度學習架構下睡眠呼吸的檢測，但只能識別睡眠呼吸的嚴重程度，不能對SAHS 進行分類。Jothi 等[30]開發了一種基于雙向長短期記憶、時間卷積網絡和時間卷積網絡-長短期記憶網絡等3 種深度學習的框架，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習有助于以更快的速度進行實時自動OSA 篩查，并減少對復雜且耗時的PSG 研究的需要。Sharma 等[31]基于深度學習模型進行SpO2和脈搏率信號分析的自動呼吸暫停事件檢測，為無創脈搏血氧儀傳感器檢測睡眠呼吸暫停事件提供了一種穩定而靈敏的方法。

2.2 隨機森林

近年，不少學者基于隨機森林算法構建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]使用隨機森林分類器對基于隨機森林的特征選擇算法在睡眠呼吸暫停檢測中的應用進行了研究，得到該算法的準確度為82.6%～87.4%。Nakayama 等[33]基于隨機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%，但是該檢測研究應在OSA篩查的背景下評估長期HRV特征。Zhu等[34]開發和評估基于心電圖和SpO2的睡眠呼吸檢測模型，采用多模態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證算法和隨機森林分類器，并進行特征選擇，用于區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性。心電圖和SpO2的結合增強了對睡眠呼吸暫停的診斷能力。

2.3 深度神經網絡

通過對近年來相關文獻的搜索，發現較多研究使用深度神經網絡（Deep Neural Networks，DNN）對睡眠呼吸暫停等級進行分類。Ayatollahi 等[13]通過遷移學習用于適應預訓練的深度卷積神經網絡，對OSA 進行分類，具有較好的前沿性。Lin 等[35]應用混合DNN 提取鼾聲參數的頻率、共振峰、能量類等特征點，并以此對SAHS 疾病進行初步篩查。該方法操作簡單，舒適度高，易于被用戶接受，但錄音設備在收集關鍵信號鼾聲時，容易受到環境噪聲的影響，從而影響檢測結果。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（Apnea Hypopnea Index，AHI）值分界點實現二分類，根據不同嚴重程度進行四分類。Vattamthanam 等[37]基于HRV 和呼吸變異性特征，開發了具有4 個隱藏層的DNN 系統，使用DNN 啟動了睡眠呼吸暫停分類系統。Li 等[38]提出了一種基于DNN和隱馬爾可夫模型的單導聯心電信號檢測OSA 的方法，該方法利用稀疏自動編碼器來學習未標記的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記錄的睡眠呼吸聲進行分析，并對OSA 進行篩查的新方法，根據預測包含OSA 數據片段的AHI指數來篩查病情。該系統敏感度和特異性分別為78%和93%，實現了在不進行專用設備限制、嚴格環境控制等條件下對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，其預測精度高達94.95%，優于傳統多層感知器和其他先進技術的性能。

3 總結與展望

對于SAHS 的檢測研究是一個熱點問題，近年來，國內外許多學者在SAHS 監測設備的硬件設計以及硬件中所需要的軟件算法的相應產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、檢測準確度較低以及穩定性較差等一系列問題。在硬件系統設計方面，腹部受呼吸關聯的壓力變化信號測量和鼾聲檢測會受環境等外界因素影響，從而出現以下問題：① 傳感器所測量的信號不準確；② 指夾式血氧儀測量時易脫落，且長時間監測容易導致指尖局部組織紅腫；③ 非接觸方式相機SpO2測量有可能引起隱私問題；④ 雷達非接觸式生命體征監測系統精度不高、測量范圍小等。在軟件算法方面：① 在構建鑒別SAHS 模型時，無法做到在OSA篩查的背景下評估長期HRV 特征，導致篩查結果準確度不夠；② 深度學習模型對監測的生理參數分析，只能檢測識別患者SAHS 嚴重程度，但不能對SAHS 進行有效分類、分級；③ 隨機森林特征選擇算法對睡眠呼吸暫停檢測篩查的效率低，導致篩查時間變長；④ 使用深度神經網絡對SAHS 等級分類，提取生理參數特征點以及對SAHS 疾病篩查準確度不高，影響分級效果等問題。

可穿戴式新型SAHS 監護設備通過各種接觸型傳感器測量生理參數，其硬件系統的設計需考慮患者的舒適性。非接觸式測量設備研究由于具備不直接接觸人體，可以在一定范圍內對患者的生理參數進行監測的特點，在SAHS 相關生理參數的檢測研究方面具有一定潛力，值得進一步挖掘。

在針對SAHS 監測設備的軟件算法研究中，各類算法模型分析方法的表現各有不同，應當根據設備采集的信號特點選擇合適的算法。機器學習的快速發展也為多參數融合技術代替傳統的PSG 研究等方向提供了新的途徑。基于隨機森林算法構建篩查的SAHS 模型，省略了PSG 繁瑣的步驟和分析。各類算法模型的構建可以不局限于單種類型模型的構建，可結合多種深度學習方式構建學習框架以及結合各類算法模型處理生理參數的優勢來構建混合模型。

建立遠程監護與個人睡眠呼吸暫停健康檢測的信息管理系統，對SAHS 進行量化分級，開發手機APP，建立數據庫以長期記錄患者的身體情況，方便了醫護人員了解被測者的歷史監測信息，為患者睡眠風險指數評判和后期的治療提供數據來源；利用互聯網，實現遠程監護與控制，使被測者在家中即可得到醫護人員的監護。

綜上所述，未來可以在改進硬件設計、提升軟件算法、增加臨床試驗、豐富應用場景、完善行業標準、建立遠程監護信息管理平臺等方向開展研究，為睡眠呼吸暫停監護提供舒適、便捷的解決方案。