多导睡眠图仪选择性监测与分析系统的研制

吴 锋 成奇明 周玉彬 俞梦孙

(空军航空医学研究所，北京 100142)

引言

人的生命有三分之一的时间是在睡眠中度过的，睡眠质量对人的健康至关重要。睡眠障碍是指睡眠量的异常及睡眠质的异常，或在睡眠时发生某些临床症状，如睡眠减少或睡眠过多、梦行症等，临床上最常见且最具危害性的就是睡眠呼吸暂停低通气综合征(SAHS)。目前，对这种睡眠障碍采用的的临床诊断仪器是多导睡眠图仪(polysomnography，PSG)，方法是:首先，记录患者整晚睡眠的多路生理信号;然后，分析这些信号，获得患者的整晚睡眠结构和睡眠呼吸事件，得到定量诊断指标;最后，利用这些定量诊断指标，判定 SAHS病情。在这个过程中，睡眠结构和睡眠呼吸事件的获得是诊断SAHS的关键。然而，PSG中睡眠结构和睡眠呼吸事件的检测较为繁琐，参数的记录需要给患者粘贴连接多达十几个电极。获得睡眠结构一般需要同时测量5路信号，即两路脑电、两路眼动电和一路颏肌电信号;检测睡眠呼吸事件则需要同时测量患者的口鼻气流、胸呼吸、腹呼吸和血氧等生理信号［1］。所以，PSG的主要缺点表现为:医护人员操作起来十分复杂，患者的生理、心理负荷较大等。诸多因素导致的后果是:当前，中、重度阻塞性呼吸暂停综合征患者中，有93%的男性和82%的女性得不到诊断［2］。

为了弥补PSG的不足，简化诊断程序，降低医生和患者的检查负荷，本研究在一种新的理念和思路的基础上，对现有的诊断手段进行了改进。改进后的诊断系统是在传统睡眠监测仪PSG的基础上，根据患者的不同情况及需求，化繁为简，减少患者身上粘贴传感器的数量，选择性地获取患者的生理信号，利用信息融合和智能分析系统，依据心率变异性及相关信号，分析患者的睡眠分期和呼吸事件，满足临床诊断需求。

1 系统设计

1.1 硬件系统

图1为该系统的硬件原理框图。硬件系统和传统睡眠监测系统基本相同，可采集两路脑电、两路眼动、一路颏肌电、鼻气流、胸呼吸、腹呼吸、鼾声、心电、脉搏波、血氧、体温和体动。

图1 硬件框图Fig.1 The hardware block diagram

1.2 多导睡眠图仪的传统测量方法

1.2.1 传统睡眠结构的测量方法

1968年，美国加州大学脑研究所的学者Rechtschaffen和Kales提出适用于成年人和1周岁以上婴儿的睡眠分期标准(简称R＆K)［1］，它已被世界上大多数学者接受，目前被广泛应用于临床和科研。该标准判断睡眠分期需要3项指标，即脑电图(EEG)、眼动图(EOG)和肌电图(EMG)。一般需要同时测量5路信号，即两路脑电、两路眼动电和一路颏肌电信号。根据信号特征的不同，睡眠分期可分为快速眼动期和非快速眼动期，非快速眼动期又分为浅睡1期、浅睡2期、深睡3期、深睡4期。

1.2.2 传统呼吸事件的测量方法

临床检测呼吸暂停和低通气一般需要同时测量患者的口鼻气流、胸廓呼吸运动、腹部呼吸运动和血氧等生理信号。检测口鼻气流的目的，是为了判断呼吸是否暂停;检测胸、腹呼吸的目的，是为了判断患者在发生呼吸暂停时胸腹呼吸是否存在，也就是判断呼吸暂停的种类;增加血氧检测的目的，则是为了增加判断呼吸事件的准确程度。

1.3 选择性监测与分析系统的测量方法

本研究的测量方法是对传统测量方法的一种继承和补充:一方面，它在传统多导睡眠监测信号都记录到的情况下，仍采用传统睡眠结构和呼吸事件检测分析方法;另一方面，它可在传统多导睡眠监测信号不全或由于客观原因不能或无法获取传统多导睡眠监测信号的情况下，利用已研究多年的基于心率、血氧、呼吸、体动等［3－6］信号进行睡眠分期和呼吸事件检测。

选择性睡眠监测分析系统可根据监测获得的有效生理信号，最大限度地利用可获得信息量，采用人工智能和信息融合技术，提取有效睡眠分期和呼吸事件。分析算法的关键技术是在可获得的信号中充分挖掘出睡眠呼吸的相关信息，有

式中，k为可获得的有效监测信号个数，Y1(n)为第n时段的睡眠分期，Y1(n－1)为第n－1时段的睡眠分期，Y2(m)为第 m个呼吸事件，X1(n)、X2(n)、X3(n)等为第n时段的心动周期、血氧、体动、呼吸等信号。

由式(1)和式(2)可以看出，当前时段的睡眠分期不仅与当前时段的生理信号特征有关，还与前一时段的睡眠分期类型有关。上述模型可以在仅有心动周期信号的情况下，简化为最简模型，即

式中，X1(n)为第n时段的心动周期信号。

随着可获得的信号数量增多，分析的精度将不断提高，图2为该系统的测量方法。测量信号完整时，可根据传统方法获得诊断结果AHI;当信号不全或缺失时，可根据获得的信号多少及可靠程度来自动调整算法，使在当前条件下分析获得的诊断结果AHI达到尽可能的准确和精确。

图2 选择性监测与分析系统的测量方法Fig.2 The analysis method of the new system

2 选择性监测与分析系统关键技术

人体功能状态会通过过多种生理信号形式表现出来。人身上的许多生理信号，如心动周期、呼吸波参数、体动参数、皮肤电阻、体温等，都会随睡眠各期的周期性变化而呈现出相应的变化。基于这一理念，在本研究中，试图通过分析睡眠呼吸相关生理信号的方法，获取睡眠分期和呼吸事件。

本系统的关键就是在传统PSG必备的分析信号缺失或者没有时，如何利用其他生理信号获得睡眠分期和呼吸事件技术。已有研究表明［3－6］，除了脑电、颌肌电、眼动及鼻气流、胸呼吸、腹呼吸与睡眠分期和呼吸事件有关系外，心率、血氧、体动、呼吸、体温等也均与睡眠分期和呼吸事件的发生有关系。其中，20例对照实验表明［4］，平均醒睡符合率可以达到90.7%，呼吸事件平均符合率可达到89%。

在分析睡眠结构和呼吸事件时，新设计的算法可根据获得的信号做一定的优先级处理，优先级设定的依据可确保分析结果的可靠性与准确性。

2.1 心率变异性与睡眠分期及呼吸事件的关系

人类睡眠在快速眼动期和非快速眼动期之间交替进行，随着睡眠深度的增加，机体的应激性下降，心跳变缓，呼吸变得平稳，能量消耗下降，这些都表明睡眠过程中自主神经的调节与中枢神经的功能变化是同步的。而大家知道，心率变异性受自主神经的调节，被认为是最能反映自主神经对心脏调节的敏感指标，因此整晚的心动周期变化信息中必然蕴含有相应的睡眠状态信息。基于这一考虑，对被检测者整晚的心动周期进行时频分析，提取相应特征，获得睡眠分期和呼吸事件，得到诊断指标AHI，见图 3。

图3 睡眠分期和呼吸事件判别方法Fig.3 The detecting method of sleep stages and sleep-related breathing events

无论正常人还是SAHS患者，心率变异性的各个频段均与睡眠分期有一定程度的相关性，其中超低频段的特征与睡眠分期的相关性最大。本研究表明:心率较快地由低上升到高且水平较高时为醒，心率由低上升到高、变化较慢且水平较高时为快速眼动期，心率水平较低时为深睡期，心率水平居中时一般为浅睡期。

特征提取时的窗长度取 270s，用汉宁(Hanning)窗进行加窗处理，FFT长度取512;为了与脑电睡眠分期一致，窗口每次的移动距离为30 s。睡眠分期和心动周期变异性的各频段都含有不同程度的相关性，因此拟利用心动周期变异性的多参数特征方法充分挖掘心动周期变异性中所包含的睡眠信息。

所提取的特征包括:①RRM，RR间期平均值，相当于超低频成分;②VLF，极低频成分能量，0.003～0.04 Hz;③LF，低频成分能量，0.04 ～0.15 Hz;④HF，高频成分能量，0.15 ～0.4 Hz;⑤NVLF，极低频成分能量占总能量的百分比;⑥NHF，HF×100/(LF+HF);⑦VLF/HF，极低频成分能量与高频成分能量的比值;⑧LF/HF，低频成分能量与高频成分能量的比值;⑨APF，呼吸暂停成分能量，0.01～0.04 Hz;⑩NAPF，呼吸暂停成分能量占总能量的百分比。

健康人仅提取特征① ～特征⑧，SAHS患者还需要提取特征⑨和特征⑩。

利用主成分分析方法，去除特征间的相关性，选取筛选出来的主成分分量，通过20例健康人和20例SAHS患者建立决策模型，采用Fisher决策树进行睡眠判别，选取3级二叉决策树，在树的第一级分出深睡期，第二级分出浅睡期，第三级分出快速眼动期和觉醒期。

利用小波变换在时/频域分析领域的优势，对整晚HR序列进行6级分解，可以得到不同层次的近似与细节分量系数。利用重建滤波器，分别把第1、4、5、6级小波分解的细节分量系数重建为与整晚HR等长度的不同层次的细节信号 D1、D4～D6，发现D4～D6整合就可以很好地提取出呼吸暂停和低通气的特征波形，D1即可很好地表现出RSA特征波形。图4为利用整晚心动周期序列进行呼吸事件检测的算法流程。算法首先利用小波分解和重建方法重建出呼吸事件对应的特征波形，然后利用相应学习获得的知识进行事件识别。

图4 呼吸事件检测算法流程(RRI-心电RR间期)Fig.4 Flowchart of detecting breathing events algorithm(RRI-RR Interval)

呼吸事件结束时心率会明显升高，波形上会呈现一个明显的近似于倒U字的特征，因此通过分析相应特征，可识别呼吸事件的发生位置和长度。另外，呼吸事件发生时，窦性心律(RSA)的变化幅度在一定程度上可以反映呼吸事件的类型，一般来说，中枢型呼吸事件发生期间RSA的幅度要明显小于阻塞型呼吸事件。

2.2 血氧与睡眠分期及呼吸事件的关系

对中重度SAHS患者而言，睡眠后会不断发生呼吸事件，血氧会因为机体缺氧而反复降低。因此，通过血氧的降低程度及特征，也可在一定程度上判别睡眠分期。血氧降低发生呼吸事件时，睡眠状态不可能是觉醒或深睡期，如果血氧降低的相对程度比较大，则判别为快速眼动期，否则判为浅睡期。

呼吸事件的发生一般都会伴随着血氧的周期性降低、升高，反过来，从血氧的周期性降低、升高也可反推出呼吸事件发生的位置及长度。

2.3 体动与睡眠分期及呼吸事件的关系

体动与睡眠的关系也非常密切。由于“睡眠-清醒”周期和“休息-活动”周期有近乎一对一的相关性，且活动量变化和各睡眠分期中的肌肉张力变化也有相关，因而已有研究者提出一些测量活动量的方法，以间接测量“睡眠-清醒”状态，其中较为广泛应用的技术为活动记录，以加速度传感器感受动作变化，进而量化并存储该项资料，具有感受、量化处理、存储三部分装置的活动记录器相当于一只男用手表的体积大小，可以佩戴于手腕。活动记录器所记录存储的资料可达数周甚至数月，因此比以脑电波测量为主的多导睡眠记录仪更适宜作长期监测“休息-活动”周期之用［11］。一般而言，体动幅度较大、持续时间较长、频度较高时，状态为醒;对正常人而言，无体动信号时一般为快速眼动期或深睡期;体动小且持续时间较短、频度不高时，睡眠为浅睡。

利用体动判别呼吸事件方面的研究表明［3－6］:呼吸事件结束时，一般会发生体动;阻塞型睡眠呼吸事件结束时呼吸用力比较明显，因而会伴有体动信号的产生;而中枢性呼吸事件结束时则没有呼吸用力产生，因此也就不伴有体动信号的产生。

3 结果

设计的系统软件分为实时监测软件和回顾分析软件。实时监测软件可把硬件采集到的脑电、眼动、颏肌电、鼻气流、胸呼吸、腹呼吸、鼾声、心电、脉搏波、血氧、体温和体动数据通过有线和无线方式，传输给计算机并显示出来;回顾分析软件包含心电分析、心率变异性分析、睡眠结构检测和呼吸事件检测分析等算法，显示内容分为病例资料、心电、睡眠、呼吸事件、信号回放和报告打印7部分。在回顾分析软件中，报告打印的内容和形式与传统PSG基本一样，只是根据可获取的信号不同，分析算法会自动切换。图5为回顾分析软件中的整晚趋势显示图。

图5 回顾软件分析结果Fig.5 The results of software analysis

将30例中重度SAHS患者的PSG完整信号分析结果与信号缺失后仅剩心动周期的分析结果进行比较，结果如图6所示;分别计算其诊断指标AHI，求其Pearson相关系数，并对其做成对 t检验。Pearson相关的系数计算结果为0.953 1，P<0.001;成对t检验的结果为 P>0.05，因此两者分析结果没有显著性差异。

图6 HRV_AHI与PSG_AHI的相关性Fig.6 The correlation of HRV_AHI and PSG_AHI

4 结论

本系统在一定程度上弥补了传统多导睡眠图仪的不足，简化了诊断程序，降低了患者的检查负荷，完善和提升了现有 PSG检测的功能，使一台PSG可派生出多种监测模式(依据患者的病情及其可接受程度)。和传统PSG相比，本系统分析功能更加强大，使用更加方便，具备独立监测分析的功能，为医生和患者提供了灵活的选择，已在医院得到初步应用，有望进一步推广。

［1］Rechtschaffen A， Kales A， A manual of standardized terminology，Techniques and scoring system for sleep stages of human［R］.US:Public Health Service，1968:1－36.

［2］Young T，Palta M，Dempsey J，et al.The occurrence of sleepdisordered breathing among middle-aged adults［J］.The New England Journal of Medicine，1993，328:1230 －1235.

［3］吴锋.基于心动周期变异性提取睡眠呼吸暂停低通气综合征诊断信息的研究［D］.西安:第四军医大学学位论文，2004.

［4］吴锋.便携式睡眠监测系统的研制［J］.医疗卫生装备，2008，29(11):20 －22.

［5］吴锋，俞梦孙，成奇明，等.健康人和SAHS患者心动周期变化的特征研究［J］.实用诊断与治疗杂志，2004，18(6):473－475.

［6］俞梦孙.床垫式低负荷睡眠检测技术的临床应用［J］.实用诊断与治疗杂志，2004，18(8):469－470.

［7］Berne RM，Levy MN.Cardiovascular Physiology［M］.(6thedition).C.V.Mosby ，St.Louis，1996.

［8］Malik M，Camm AJ.Heart Rate Variability［M］.Futura，Armonk ，NJ，1995.

［9］Ivanov PC，Rosenblum MG，Peng CK，et al.Scaling and universality in heart rate variability distributions［J］.Physica A，1998，249:587－593.

［10］Molgaard H，Soerensen KE，Bjerregaard P.Circadian variation and influence of risk factors on heart rate variability in healthy subjects［J］.Am J Noninv Cardiol，1991，68:777 －784.

［11］Kripke DF et al.Wrist actigraph measures of sleep and rhythms［J］.Electroencephalogr Clin Neurophysiol，1978，44:674 －678