睡眠監測系統監測方式及分類方法研究分析

發布時間：2020-03-07所屬分類：醫學論文瀏覽：1409次

摘 要： 摘要】人們的日常生活與夜間睡眠質量息息相關，因此，如何進行睡眠監測，實現睡眠質量評價，為發現和治療相關疾病創造首要條件，在睡眠醫學中顯得尤為重要。睡眠質量評價通常通過對睡眠分期結構分類以及0SAHS病況監測完成。該文對常用的睡眠監測系統以及在睡

　　摘要】人們的日常生活與夜間睡眠質量息息相關，因此，如何進行睡眠監測，實現睡眠質量評價，為發現和治療相關疾病創造首要條件，在睡眠醫學中顯得尤為重要。睡眠質量評價通常通過對睡眠分期結構分類以及0SAHS病況監測完成。該文對常用的睡眠監測系統以及在睡眠監測系統中常用的分類方法進行了總結，比較了它們之間的優缺點。最后探討并明確了對睡眠監測系統的研究方向。

　　【關鍵詞】睡眠監測;睡眠分期;0SAHS;監測方式;分類方法

　　【摘要】人們的日常生活與夜間睡眠質量息息相關，因此，如何進行睡眠監測，實現睡眠質量評價，為發現和治療相關疾病創造首要條件，在睡眠醫學中顯得尤為重要。睡眠質量評價通常通過對睡眠分期結構分類以及0SAHS病況監測完成。該文對常用的睡眠監測系統以及在睡眠監測系統中常用的分類方法進行了總結，比較了它們之間的優缺點。最后探討并明確了對睡眠監測系統的研究方向。

　　【關鍵詞】睡眠監測;睡眠分期;0SAHS;監測方式;分類方法

　　0.引言

　　人一生約三分之一的時間花費在睡眠上。睡眠有助于人體進行細胞修復、疲勞解除、荷爾蒙分泌、能量儲存以及記憶鞏固等多項任務，是關乎健康狀況的重要因素。睡眠出現問題，會對人們的生活質量產生嚴重影響，從而大大降低學習、工作效率。美國國立衛生研究院心肺血液研究所的數據表明：睡眠質量不足增加了交通事故發生率、感冒感染風險，并與肥胖、心臟問題和學習障礙等相關。如今，外在因素普遍導致了人為的睡眠質量下降。2018年2月，PHILIPS對13個國家15000余人進行調查研究結果表明：全球成年人超過六成存在某種影響睡眠的醫學問題，四分之一的成年人報告失眠，五分之一的人打鼾;同時睡眠欠佳的后果包括疲乏、易怒、消極。長期以往，易造成嚴重的社會問題。因此，如何使人們能夠在日常生活當中有效地進行睡眠監測，對睡眠質量進行評價，了解自身睡眠問題，為發現和治療相關疾病創造首要條件，在睡眠醫學中顯得尤為重要。

　　本文通過對睡眠監測系統的功能實現方式與相關分類方法進行討論與分析，最后結合市場狀況探討了睡眠監測系統的未來發展，為后續研究提供一定參考。

　　1睡眠質量評價

　　睡眠質量評價主要取決于：(1)睡眠分期;(2)睡眠障礙。通過對睡眠分期和睡眠障礙的監測，可以有效了解個人睡眠質量的好壞。

　　1.1睡眠分期

　　標準睡眠分期根據睡眠中腦電和眼球運動變化將睡眠劃分為W期、N1期、N2期、N3期和REM期。準確的睡眠分期是進行睡眠質量評價和相關疾病診斷的首要條件。但在很多便攜式設備中很難實現精確的分期，因此在基于商業開發及簡單預測的原則上，諸多研究對睡眠分期進行簡化，并將之與標準睡眠分期進行對比，從而評價睡眠質量。

　　1.2睡眠障礙

　　睡眠障礙包括多種睡眠異常情況，其中部分可通過睡眠分期進行確定，但如阻塞性睡眠呼吸暫停低通氣綜合征(ObstructiveSleepApneaHypopneaSyndrome,OSAHS)等睡眠呼吸障礙，則需要通過其他方式監測。0SAHS是由睡眠期間上氣道阻塞反復性發作導致的常見睡眠障礙，人群患病率高達1%〜4%。研究表明，0SAHS與肥胖、糖尿病、高血壓、心血管疾病等多種疾病相關[1]，癥狀嚴重時甚至會導致患者睡眠中猝死。因此，對于疑似0SAHS患者而言，通過睡眠監測系統對0SAHS進行預診，確保后續治療有效進行，是保證睡眠質量的有效途徑。0SAHS在臨床上主要表現為：(1)聲音極大的持續性打鼾;(2)呼吸暫停低通氣指數(八!)-nea/HypopneaIndex，AHI)大于閾值標準。通過睡眠監測系統對上述現象進行監測，是進行0SAHS預診的有效方法。

　　相關期刊推薦：《生物醫學工程學雜志》JournalofBiomedicalEngineering(雙月刊)于1984年3月創刊。作為生物醫學工程學綜合性學術刊物，主要反映生物工程、醫學工程、人工器官、生物材料、生物力學、計算機在生物醫學中應用等方面的最新科研成果和科技動態。它適合多學科性科研、教學、生產及科技管理人員、相關專業研究生、本科生、醫院與廣大對生物醫學工程學的愛好者。有投稿需求的作者，可以咨詢期刊天空在線編輯。

　　2睡眠監測方式

　　2.1侵入式監測方式

　　2.1.1基于電極連接的監測方式

　　通過多電極連接的多導睡眠監測(Polysomnography，PSG)是睡眠監測行業中進行睡眠分期和0SAHS預診的“黃金標準”。PSG通過電子放大技術，將神經元的自發性生理電信號放大記錄，實現對人體電信號的檢測，其檢測參數包括：EEG、E0G、ECG、呼吸氣流、胸腹呼吸功能、血氧飽和度等。從PSG中，睡眠醫師可以實時觀察使用者睡眠期間體內生理信號變化情況，并獲得使用者的標準睡眠分期和0SAHS預診情況。但使用PSG必須在睡眠中心由技術人員輔助進行，并在整晚檢測后，由技術人員對睡眠記錄進行觀察、分析與注釋。這導致PSG不僅會對使用者造成不便，且價格昂貴、浪費時間。此外，多電極連接和睡眠中心環境對使用者造成的干擾，也使得越來越多的人認為PSG不能反映真實睡眠質量[2]。

　　2.1.2基于體動記錄儀的監測方式

　　通過體動記錄儀對使用者的身體運動(BodyMoving,BM)進行監測的方式，是替代PSG最常用的監測方式。市場上如小米、華為、Jawbone等可監測睡眠的智能手環正是通過體動記錄儀實現睡眠監測。體動記錄儀通過其內的三軸加速度傳感器實時捕捉人體在%，y和z軸三個方向上的運動變化數據對睡眠進行監測[3]。

　　2.1.3基于脈搏血氧儀的監測方式

　　通過脈搏血氧儀實現睡眠監測也是睡眠醫學中一種常用方法。脈搏血氧儀通過光電容積脈搏波描記法(Photoplethysmography，PPG)檢測人體微動脈床內血液容積變化。其將紅光或紅外光光束照射進人體，由于氧合血紅蛋白和去氧合血紅蛋白間光衰減存在明顯差異，所以光束衰減程度會隨心臟搏動造成的外周血管血容量變化。脈搏血氧中攜帶大量生理信息，因此，通過脈搏血氧儀進行睡眠監測可成為睡眠分期及OSAHS預診的有效方式[4]。大量研究通過脈搏血氧儀獲取各種生理參數實現睡眠分期及OSAHS預診。其中，Huang等[5]通過脈搏血氧儀獲取的SP02和脈率信息對呼吸暫停進行監測，從而實現OSAHS預診。Casal等[6]通過脈搏血氧儀獲取的心率數據確定患者的睡眠/清醒狀態，并對OSAHS患者的AHI進行確定，實現對OSAHS嚴重程度的量化處理。但是，結合市場上睡眠監測系統使用情況看，基于脈搏血氧儀的監測方式雖然在睡眠質量評價有其獨特優勢，許多文獻也提出了對相關方式方法的研究，但是其更多只用于實驗室研究，未能用于家庭及個人使用。

　　2.2非侵入式監測方式

　　為了減輕侵入式睡眠監測系統對人體造成的負擔，研究人員又在侵入式睡眠監測方法基礎上，不斷對非侵入式睡眠監測方法進行開發，以期讓使用者在更自由、舒適的環境下了解自身睡眠狀況。

　　2.2.1基于力敏傳感器的監測方式

　　基于力敏傳感器的檢測方式將分布有密集傳感器陣列的電子織物層包裹在床墊的兩層傳統布質或棉質紡織品內。使用者躺在床墊上時，與床墊接觸部分肢體的任何動作都會使壓敏傳感器產生壓力變換，并轉換成電信號輸出。研究人員可根據所需信號決定壓敏傳感器陣列的大小，如Samy和Huang等[2’7]使用128X64的傳感器陣列監測使用者與床墊之間的壓力變換信號，從中提取呼吸率、體動等多種生理特征實現睡眠分期識別。而Pino等[8]則使用3x8的傳感器布置方式進行監測，獲取呼吸率和呼吸暫停等參數，完成睡眠分期。

　　睡眠床墊產品兼具舒適性與監測功能，既帶來很好的使用感受，又可完成更細致的睡眠分期及OSAHS預診。市場上該類產品有如美國杰西的床墊式睡眠監測設備，日本百利達的睡眠床墊等。但這類產品的價格在床墊價格上又有所提升，加之不便攜帶等因素，也成為許多人要考慮的問題。

　　2.2.2基于視頻和音頻的監測方式

　　視頻監測方法通過攝像機或紅外攝像機等設備對患者睡眠進行監控，依據監控視頻對患者的睡眠分期進行分析。但由于涉及使用者的隱私問題，因此基于視頻進行睡眠監測的研究逐漸減少。

　　睡眠期間由于肌肉放松導致上氣道狹窄、呼吸音變大。基于音頻的睡眠監測方式通過聲音傳感器獲取使用者睡眠期間口鼻音用于處理分析。睡眠音頻信號是進行OSAHS預診最直觀的方法。Dafna等[9]結合使用微型麥克風與數字音頻錄音器，完成對受試者的OSAHS預診，實現了對睡眠和清醒狀態82.1%的檢測準確度。Ondrej等[1°]則通過移動電話的內置聲音傳感器完成聲音接收，并實現睡眠分期。

　　基于視頻的監測方法由于涉及隱私問題，不論是在睡眠實驗室環境還是在家庭環境中都較少使用。雖然基于音頻的檢測方法由于其在診斷睡眠呼吸暫停與打鼾等睡眠呼吸障礙上的高效性而得到了廣泛研究，但在市場上依然很難看到該類產品。

　　2.2.3基于生物雷達的監測方式

　　生物雷達監測技術是融合雷達技術和生物醫學工程技術于一體的新概念。其無需任何電極或傳感器接觸，即可在較遠距離對生命體各項生理參數(呼吸、體動等)進行非接觸式檢測[11]。近年來，越來越多實驗室與研究人員致力于生物雷達在睡眠醫學上的應用研究。Hong等[12]設計了一種對呼吸、心跳、體動等睡眠信號進行測量的連續波生物雷達用于睡眠分期，驗證了生物雷達用于長期睡眠監測的可行性。Du等[13]在現有的24GHz雷達基礎上提出了一種對睡眠期間的呼吸暫停進行檢測的呼吸暫停雷達，其檢測結果與PSG結果進行對比，實現了大于90%的檢測準確度。Feng等[14]同樣提出并完成了識別不同睡眠狀態的睡眠監測系統，并達到了95.1%的識別準確度。

　　市場上的該類產品有如國內的“夢加睡眠監護儀”，日本的“歐姆龍睡眠儀”等。然而，這些產品雖然通過遠程非侵入方式實現了監測，并且在整個監測過程中不對使用者產生任何影響，但是，其價格通常比較昂貴，產品難以在普通人群中推廣。

　　3信號分類方法研究

　　在睡眠監測系統的基礎上，通過分類算法提高睡眠分期和0SAHS預診準確度是睡眠監測系統進行睡眠質量評價的重要一步。本章對幾種常用的分類方法及其使用進行討論，包括KNN方法、SVM方法、RF方法以及ANN方法。

　　3.1KNN方法

　　K最近鄰(K-NearestNeighbor，KNN)方法是模式分類方法中最古老最簡單的方法之一。該方法是在數據集已有分類標簽情況下，根據預設值，由選定的距離函數計算輸入樣本與數據集樣本間相似度，并確定輸入樣本類別。KNN方法主要用于小樣本分析。Thommandram等[15]發表的文章通過對比不同K值及不同距離函數的KNN分類器，根據多個臨床可識別特征對3947個胸部呼吸阻抗樣本數據進行分類，將其分為呼吸暫停與非呼吸暫停兩種類別，通過10折交叉驗證法對系統的分類性能進行驗證，得到91.2%準確率，88.1%特異性及95.7%靈敏度的結果。此外，1\1皿等[16]通過結合KNN方法和PPG信號將睡眠分期分為睡眠和清醒兩個分期，達到了89.46%的準確度，92.05%的靈敏度及87.19%的特異性。

　　3.2SVM方法

　　支持向量機(SupportVectorMachine，SVM)方法是在統計學習理論的基礎上建立起來的機器學習算法。處理數據線性可分問題時，該方法通過優化算法找出特征空間中的最大間隔超平面;處理數據線性不可分問題時，SVM方法則通過核函數將特征空間數據映射到高維空間，使原始特征空間在高維空間實現線性可分。在其結合使用上，Aboalayon等[17]提出并實現了結合使用線性核函數的多類SVM算法基于EEG信號進行睡眠分期。該研究通過“一對多法”構造了“5-SVM”分類器，并通過對EEG信號中特征值的分析，將睡眠分期劃分為清醒期、1期、2期、3期、4期，實現92%的準確度。另外，Park等[18]提出將SVM分類器與動態分類器結合對BM數據進行處理，以減少基于閾值的處理方法帶來的誤分類，并達到88.94%的準確度。

　　3.4RF方法

　　隨機森林(RandomForest,RF)方法是集成學習思想下的一種用于分類和預測的模型。RF方法將多棵決策樹整合，由決策樹間的輸出結果，投票決定樣本最終類別。其克服了決策樹的過擬合問題，能夠對大數據集進行有效處理，并對噪聲和異常值有較好容忍性，可處理具有高維特征的輸入樣本[19]。RF方法作為一種組合分類算法被廣泛地應用于睡眠分期，軒聲識別。11〇8611〜6111等[2°]結合1^方法研發并驗證了一款用于睡眠呼吸音自動檢測的系統。該系統通過包含400棵決策樹的RF分類器對84位患者在不同環境下使用不同設備記錄的聲音信號進行處理，其中每一棵決策樹隨機獲取包括13個特征的子集，節點依據最佳特征進行分類，最終由決策樹的多數票決定呼吸事件分類。其研究結合RF方法分別實現了實驗室和家庭中91.2%和83.0%的分類準確度。隨后，Rosenwein等™再次通過二分類RF分類器對通過非接觸方式錄取的186位成年人實驗室和家庭環境中睡眠音頻信號的呼吸暫停和低通氣事件進行自動分割分類，并實現了86.3%的準確度。

　　3.5ANN方法

　　人工神經網絡(ArtificialNeuralNetwork,ANN)模仿人大腦的信息處理過程進行，其中包含大量的簡單處理器—節點。節點相互連接，構成了輸入層、隱藏層和輸出層3個層級結構[22]。在計算處理過程中，每個節點都有一種特定輸出，而兩個節點間的連接則代表該特定輸出在該方向所占權重。ANN方法通過該分布式結構完成類似人腦的并行計算，并在逐次計算中通過修改權重完成自我學習。£111〇1〇等[23]結合ANN方法實現對低信噪比睡眠錄音中低強度呼吸及打鼾事件進行檢測，實現對0SAHS患者的篩選。其研究通過誤差反向傳播算法對分別具有5個節點輸入層和輸出層的三層感知器進行訓練，并采用雙曲正切函數和線性函數分別作為隱藏層和輸出層激活函數，實現了低信噪比情況下可能在實際睡眠中出現的打鼾/呼吸事件和非打鼾/呼吸事件準確度達到75.1%的分類。Li等[24]結合ANN方法與脈搏血氧測定法研發并測試了一款新的睡眠障礙性呼吸篩查工具。其通過對AHI閾值的匹配，實現對睡眠障礙性呼吸嚴重程度的檢測，并獲得了良好的結果。

　　4總結與展望

　　睡眠監測系統監測方式的比較，見表1。睡眠監測系統通過不同睡眠監測方式結合適宜分類方法實現睡眠分期與0SAHS預診。非侵入式監測方式與侵入式監測方式相比，雖然產品舒適度和使用者接受度方面具有天然優勢，但是，并不能以此定論哪一種監測方式是好的方式。今天的睡眠監測市場，雖然睡眠監測系統也在不斷地朝著體積小、使用方便、價格親民的方向發展，但是，通過結合不同的監測方式，輔以合適的分類方法，以實現更準確、更容易被使用者接受與信任的睡眠監測系統才是發展的重點。通過對六種睡眠監測方式的分析比較，可以看出，存在于睡眠監測系統的使用及市場上的一些問題，既缺少一種體積小，使用方便，價格親民，在完成高準確度睡眠分期分類和OSAHS預診同時又不會對使用者造成較大影響的睡眠監測設備。這種設備正亟待研究及實現。

声明:①文献来自知网、维普、万方等检索数据库，说明本文献已经发表见刊，恭喜作者.②如果您是作者且不想本平台展示文献信息,可联系学术顾问予以删除.