睡眠呼吸暂停检测方法研究进展

宋美华，林锦淇，张景浩，刘冰冰，莫忠

广州新华学院 生物医学工程学院，广东 广州 510520

引言

随着现代社会的不断进步，睡眠问题正逐渐受到人们的重视。睡眠呼吸暂停低通气综合征（Sleep Apnea Hypopnea Syndrome，SAHS）是一类发病率较高的睡眠呼吸系统疾病，可造成大量患者因呼吸停止而猝死，也是冠心病、高血压等慢性病的主要诱发原因之一，严重危害患者的生命健康[1-3]。睡眠呼吸检测作为睡眠呼吸暂停诊断的主要环节及手段，主要通过心跳频率、呼吸频率以及血氧信号等生理参数进行睡眠状态的判断。多导睡眠监测（Polysomnography，PSG）是SAHS 监测的“金标准”，使用时需在患者身上安装多种传感器，如脑电、心电、肌电、皮电、血压、呼吸等，患者需在医院、睡眠监测中心等专业场所进行至少一晚上的睡眠监测。由于PSG 具有费用昂贵、检测时间长以及操作复杂等劣势，许多专家学者尝试从不同角度对SAHS 进行研究检测，提出多种SAHS 的检测算法研究，期望通过算法简化多导睡眠图检测的复杂程度，研究出多种新型SAHS 监护设备，为优化耗时的传统PSG 提供支持。

本文对接触型和非接触型SAHS 监护设备的硬件和软件算法进行分析，对各项技术的研究成果展开论述，并对SAHS 检测方法未来的研究方向进行展望。

1 新型SAHS监护设备的硬件研究

1.1 可穿戴接触式测量

可穿戴式是健康监测的重要发展方向，随着电子产品的高度集成化，可穿戴睡眠呼吸暂停监护设备的研发有了较多进展。在睡眠呼吸信号检测方面，呼吸信号的有无是判断睡眠呼吸暂停最直接的依据。Pant 等[4]制作了一款放在鼻尖区域的基于微控制器温度传感器的运动呼吸检查系统，实现对患者呼吸频率的适当测量，该设备根据传感器和患者呼吸模式的变化方式对接收到的信息产生响应，能够为医生提供了解病情的可行性和灵活性。此外，Simić 等[5]提出一种具有便携操作和低功耗特点的轻便设备，通过在口罩上绣有交叉电极的纺织品电容传感器来测量呼吸频率，该设备能够快速响应和缩短恢复时间，克服了呼吸监测系统领域当前技术水平的局限性。为提高患者穿戴舒适性，Cinel 等[6]提出利用可穿戴传感器技术跟踪患者的呼吸频率，通过放置在患者腹部的加速计传感器，测量腹部受呼吸关联的压力变化信号以直接测得呼吸波形，能够更简单地获取呼吸信号，但抗干扰能力较弱。因此测量呼吸信号时如何避免体动、环境等外界因素的干扰成为研究的重点。

SAHS 患者发生呼吸暂停或低通气后产生的首要生理效应就是机体缺氧，血氧饱和度（Blood Oxygen Saturation，SpO2）监测可以作为SAHS 的初筛诊断方法。Jung 等[7]设计了一款可以测量心率、血压和SpO2的腕戴式脉搏血氧仪来监测睡眠状态，而Syaifudin 等[8]开发了一种测量SpO2和心率等生理参数，且具有外部存储能力的指夹式脉搏血氧仪，证实了手指部位所测的SpO2与动脉SpO2差异更小，但使用过程中存在指夹易脱落、长时间监测易导致指尖局部组织红肿的问题[9]。Sharma 等[3]通过测量脉搏SpO2信号来表示血液中氧气含量的百分比，提出了一种有效、高效和可持续的睡眠呼吸暂停自动检测系统，最优处理精度可达95.97%。Light 等[10]通过测量心率、氧合血红蛋白饱和度、鼻腔气流和呼吸频率，评估受试者所处阻塞性睡眠呼吸暂停（Obstructive Sleep Apnoea，OSA）的轻重程度，但因监测期间缺乏脑电数据，睡眠碎片化或低效睡眠患者的SAHS 严重程度容易被低估，从而影响监测结果。相比之下，潘泽森等[11]通过测量脑电、眼电、鼻气流温度场变化、SpO2以及体动等5 个生理参数，研制出一体式睡眠呼吸暂停监测系统，其中分析系统对信号进行多数据融合，证明结合脑电信号数据的监测效果更好。

研究发现SAHS 与心电（Electrocardiograph，ECG）信号存在高度相关性，因此利用ECG 信号对SAHS 进行检测已成为研究热点。Baty 等[12]开发了一种可穿戴式心电图采集系统，并通过数据预滤波和不滤波的心率变异性（Heart Rate Variablity，HRV）分析来研究其对睡眠呼吸暂停严重程度分类的适用性。所测ECG信号准确度高，可用于评估睡眠呼吸暂停严重程度。Ayatollahi 等[13]通过测量ECG 信号，利用算法对OSA进行有效分类，而Bahrami 等[14]提出了采用单导联测量ECG 信号，并运用算法来构建呼吸暂停发生的预测睡眠呼吸暂停框架，提取最具预测性的ECG 特征并预测睡眠呼吸暂停的发生。Zarei 等[15]开发了一种基于单导联心电图信号的呼吸暂停检测算法的自动特征提取方法，结果表明，与其他睡眠呼吸暂停检测方法相比，此方法有显著改进。

1.2 无接触式测量

患者在睡眠时会产生各种动态信号，如胸腹运动、血管搏动等，对测量环境中的物质产生扰动，对此，在进行无接触式测量生理参数时使用一组特殊信号的发射器和接收器，可以得到准确的呼吸暂停特征信号[16]。Nakagawa 等[17]开发了一种使用近红外相机测量SpO2的系统，并评估了所提出的系统和算法的有效性，证明了开发系统以非接触方式可以有效测量SpO2，但该系统对使用环境要求较高。为解决这一问题，Lan 等[18]提出了一种基于动态频谱原理的多光谱相机捕获脸颊区域的视频非接触式SpO2测量方式，该方式的预测结果接近市场上大多数脉搏血氧仪的预测精度（±2%），消除了静态组织、个体差异和环境的干扰，但设备复杂性较高。此外，有研究[19]进一步验证了面部区域在心率和呼吸频率监测方面的潜力，通过探索不同身体器官的潜力，发现面部区域可以提供比其他身体器官更准确的心率测量，在重症监护、手术、COVID 诊断和睡眠质量分析中有重要意义，但使用相机有可能引起隐私问题。

打鼾是阻塞性睡眠呼吸暂停低通气综合征（Obstructive Sleep Apnea Hypopnea Syndrome，OSAHS）的典型症状。打鼾声的声学分析已被证明有可能开发一种非侵入性方法来辅助诊断OSAHS。Swarnkar 等[20]开发了一种用于鼾声检测的人工神经网络模型，但是在表示时间序列上的优势并不明显。为了克服这个问题，Arsenali 等[21]提出了可以较好地表达鼾声的时间序列特征的深度循环神经网络（Recurrent Neural Network，RNN）模型，并取得了较高的准确度。Cheng 等[22]提出了一种可从单纯打鼾中识别呼吸事件相关的鼾声的基于长短期记忆的分类器，通过接收各种音频特征合成信息来识别鼾声，准确度为81.6%，识别结果可为医生诊断SAHS 提供帮助。

雷达是一种对微小运动非常敏感的传感器，监测某些生理参数时，更便宜、更容易操作。近年来，利用雷达进行生命体征监测获得了极大的关注。空军军医大学的陈逸嘉等[23]设计出了一种非穿戴式检测以缓解阻塞性睡眠呼吸暂停的智能枕头，并使用生物雷达对患者呼吸信号进行实时采集，可有效缓解呼吸暂停，其响应速度快，准确度可达90%，在健康管理设备及临床辅助诊断领域有较大的发展潜力。Han 等[24]开发一种针对超宽带（Ultra Wide-Band，UWB）雷达频谱图和机器学习的非接触式睡眠呼吸暂停检测方法，该方法可提高基于心电图的睡眠呼吸暂停自动检测的准确度和特异性，但UWB 雷达的精度不高，且测量范围小。Zhuang 等[25]为解决这一问题，提出了一种基于睡眠呼吸暂停检测框架的调频连续波（Frequency Modulated Continuous Wave，FMCW）雷达非接触式生命体征监测系统，使用雷达系统与PSG 比较记录整夜的睡眠数据。FMCW 雷达可以传输相对较高的功率，从而达到较高的信噪比，更精确地检测睡眠呼吸暂停，然而其仍需要校准以补偿频率扫描期间的非线性。Kwon 等[26]提出了一种基于深度学习模型的脉冲无线电超宽带（Impulse Radio UltraWide-Band，IR-UWB）雷达进行实时睡眠呼吸暂停事件检测的新方法，该方法实现了对SAHS 严重程度进行分类的先进功能。与FMCW 雷达相比，IR-UWB 雷达的精度和信噪比略高，但可能会增加硬件设计的成本和复杂性[27]。

2 SAHS检测的软件算法

2.1 深度学习

近年来，一些研究使用深度学习实现了对SAHS的检测，为SAHS 监护设备提供算法支持。Teng 等[28]提出了基于深度主动学习的模型来从心电图中检测OSAHS 事件，设计并开发使用心电传感器和智能手机的OSAHS 监测系统原型，该方法达到了较好的精度。Urtnasan 等[29]利用短期正常心电信号的30 s 片段，研究了深度学习架构下睡眠呼吸的检测，但只能识别睡眠呼吸的严重程度，不能对SAHS 进行分类。Jothi 等[30]开发了一种基于双向长短期记忆、时间卷积网络和时间卷积网络-长短期记忆网络等3 种深度学习的框架，用于使用光电容积脉搏波传感器从受试者指尖记录的光电容积描记图信号中自动提取和检测OSA 事件，该研究表明使用深度学习有助于以更快的速度进行实时自动OSA 筛查，并减少对复杂且耗时的PSG 研究的需要。Sharma 等[31]基于深度学习模型进行SpO2和脉搏率信号分析的自动呼吸暂停事件检测，为无创脉搏血氧仪传感器检测睡眠呼吸暂停事件提供了一种稳定而灵敏的方法。

2.2 随机森林

近年，不少学者基于随机森林算法构建SAHS 筛查模型，省略了PSG 检查繁琐的步骤和分析，为临床提供了快速简单的SAHS 筛查。Deviaene 等[32]使用随机森林分类器对基于随机森林的特征选择算法在睡眠呼吸暂停检测中的应用进行了研究，得到该算法的准确度为82.6%～87.4%。Nakayama 等[33]基于随机森林的特征选择算法来筛查OSA，该算法用于HRV 的正常呼吸/睡眠呼吸暂停鉴别模型，其敏感度为76%，特异性为92%，但是该检测研究应在OSA筛查的背景下评估长期HRV特征。Zhu等[34]开发和评估基于心电图和SpO2的睡眠呼吸检测模型，采用多模态方法在特征层面融合ECG和SpO2信号，使用递归特征消除交叉验证算法和随机森林分类器，并进行特征选择，用于区分呼吸暂停和正常事件，证明了心电图和SpO2在检测睡眠呼吸暂停事件方面具有互补性。心电图和SpO2的结合增强了对睡眠呼吸暂停的诊断能力。

2.3 深度神经网络

通过对近年来相关文献的搜索，发现较多研究使用深度神经网络（Deep Neural Networks，DNN）对睡眠呼吸暂停等级进行分类。Ayatollahi 等[13]通过迁移学习用于适应预训练的深度卷积神经网络，对OSA 进行分类，具有较好的前沿性。Lin 等[35]应用混合DNN 提取鼾声参数的频率、共振峰、能量类等特征点，并以此对SAHS 疾病进行初步筛查。该方法操作简单，舒适度高，易于被用户接受，但录音设备在收集关键信号鼾声时，容易受到环境噪声的影响，从而影响检测结果。Lakhan等[36]基于DNN 处理提取的PSG 中鼻气流信号，并利用呼吸暂停低通气指数（Apnea Hypopnea Index，AHI）值分界点实现二分类，根据不同严重程度进行四分类。Vattamthanam 等[37]基于HRV 和呼吸变异性特征，开发了具有4 个隐藏层的DNN 系统，使用DNN 启动了睡眠呼吸暂停分类系统。Li 等[38]提出了一种基于DNN和隐马尔可夫模型的单导联心电信号检测OSA 的方法，该方法利用稀疏自动编码器来学习未标记的ECG 信号特征。Romero 等[39]提出了一种通过DNN 对在家中使用智能手机记录的睡眠呼吸声进行分析，并对OSA 进行筛查的新方法，根据预测包含OSA 数据片段的AHI指数来筛查病情。该系统敏感度和特异性分别为78%和93%，实现了在不进行专用设备限制、严格环境控制等条件下对OSA 的筛查。Bahrami 等[14]提出了一种基于RNN 模型的呼吸暂停信号检测框架，其预测精度高达94.95%，优于传统多层感知器和其他先进技术的性能。

3 总结与展望

对于SAHS 的检测研究是一个热点问题，近年来，国内外许多学者在SAHS 监测设备的硬件设计以及硬件中所需要的软件算法的相应产品方面做了大量的研究工作，但仍然存在成本高、舒适性较差、检测准确度较低以及稳定性较差等一系列问题。在硬件系统设计方面，腹部受呼吸关联的压力变化信号测量和鼾声检测会受环境等外界因素影响，从而出现以下问题：① 传感器所测量的信号不准确；② 指夹式血氧仪测量时易脱落，且长时间监测容易导致指尖局部组织红肿；③ 非接触方式相机SpO2测量有可能引起隐私问题；④ 雷达非接触式生命体征监测系统精度不高、测量范围小等。在软件算法方面：① 在构建鉴别SAHS 模型时，无法做到在OSA筛查的背景下评估长期HRV 特征，导致筛查结果准确度不够；② 深度学习模型对监测的生理参数分析，只能检测识别患者SAHS 严重程度，但不能对SAHS 进行有效分类、分级；③ 随机森林特征选择算法对睡眠呼吸暂停检测筛查的效率低，导致筛查时间变长；④ 使用深度神经网络对SAHS 等级分类，提取生理参数特征点以及对SAHS 疾病筛查准确度不高，影响分级效果等问题。

可穿戴式新型SAHS 监护设备通过各种接触型传感器测量生理参数，其硬件系统的设计需考虑患者的舒适性。非接触式测量设备研究由于具备不直接接触人体，可以在一定范围内对患者的生理参数进行监测的特点，在SAHS 相关生理参数的检测研究方面具有一定潜力，值得进一步挖掘。

在针对SAHS 监测设备的软件算法研究中，各类算法模型分析方法的表现各有不同，应当根据设备采集的信号特点选择合适的算法。机器学习的快速发展也为多参数融合技术代替传统的PSG 研究等方向提供了新的途径。基于随机森林算法构建筛查的SAHS 模型，省略了PSG 繁琐的步骤和分析。各类算法模型的构建可以不局限于单种类型模型的构建，可结合多种深度学习方式构建学习框架以及结合各类算法模型处理生理参数的优势来构建混合模型。

建立远程监护与个人睡眠呼吸暂停健康检测的信息管理系统，对SAHS 进行量化分级，开发手机APP，建立数据库以长期记录患者的身体情况，方便了医护人员了解被测者的历史监测信息，为患者睡眠风险指数评判和后期的治疗提供数据来源；利用互联网，实现远程监护与控制，使被测者在家中即可得到医护人员的监护。

综上所述，未来可以在改进硬件设计、提升软件算法、增加临床试验、丰富应用场景、完善行业标准、建立远程监护信息管理平台等方向开展研究，为睡眠呼吸暂停监护提供舒适、便捷的解决方案。