多導(dǎo)睡眠圖儀選擇性監(jiān)測(cè)與分析系統(tǒng)的研制

吳 鋒 成奇明 周玉彬 俞夢(mèng)孫

(空軍航空醫(yī)學(xué)研究所，北京 100142)

引言

人的生命有三分之一的時(shí)間是在睡眠中度過的，睡眠質(zhì)量對(duì)人的健康至關(guān)重要。睡眠障礙是指睡眠量的異常及睡眠質(zhì)的異常，或在睡眠時(shí)發(fā)生某些臨床癥狀，如睡眠減少或睡眠過多、夢(mèng)行癥等，臨床上最常見且最具危害性的就是睡眠呼吸暫停低通氣綜合征(SAHS)。目前，對(duì)這種睡眠障礙采用的的臨床診斷儀器是多導(dǎo)睡眠圖儀(polysomnography，PSG)，方法是:首先，記錄患者整晚睡眠的多路生理信號(hào);然后，分析這些信號(hào)，獲得患者的整晚睡眠結(jié)構(gòu)和睡眠呼吸事件，得到定量診斷指標(biāo);最后，利用這些定量診斷指標(biāo)，判定 SAHS病情。在這個(gè)過程中，睡眠結(jié)構(gòu)和睡眠呼吸事件的獲得是診斷SAHS的關(guān)鍵。然而，PSG中睡眠結(jié)構(gòu)和睡眠呼吸事件的檢測(cè)較為繁瑣，參數(shù)的記錄需要給患者粘貼連接多達(dá)十幾個(gè)電極。獲得睡眠結(jié)構(gòu)一般需要同時(shí)測(cè)量5路信號(hào)，即兩路腦電、兩路眼動(dòng)電和一路頦肌電信號(hào);檢測(cè)睡眠呼吸事件則需要同時(shí)測(cè)量患者的口鼻氣流、胸呼吸、腹呼吸和血氧等生理信號(hào)［1］。所以，PSG的主要缺點(diǎn)表現(xiàn)為:醫(yī)護(hù)人員操作起來十分復(fù)雜，患者的生理、心理負(fù)荷較大等。諸多因素導(dǎo)致的后果是:當(dāng)前，中、重度阻塞性呼吸暫停綜合征患者中，有93%的男性和82%的女性得不到診斷［2］。

為了彌補(bǔ)PSG的不足，簡化診斷程序，降低醫(yī)生和患者的檢查負(fù)荷，本研究在一種新的理念和思路的基礎(chǔ)上，對(duì)現(xiàn)有的診斷手段進(jìn)行了改進(jìn)。改進(jìn)后的診斷系統(tǒng)是在傳統(tǒng)睡眠監(jiān)測(cè)儀PSG的基礎(chǔ)上，根據(jù)患者的不同情況及需求，化繁為簡，減少患者身上粘貼傳感器的數(shù)量，選擇性地獲取患者的生理信號(hào)，利用信息融合和智能分析系統(tǒng)，依據(jù)心率變異性及相關(guān)信號(hào)，分析患者的睡眠分期和呼吸事件，滿足臨床診斷需求。

1 系統(tǒng)設(shè)計(jì)

1.1 硬件系統(tǒng)

圖1為該系統(tǒng)的硬件原理框圖。硬件系統(tǒng)和傳統(tǒng)睡眠監(jiān)測(cè)系統(tǒng)基本相同，可采集兩路腦電、兩路眼動(dòng)、一路頦肌電、鼻氣流、胸呼吸、腹呼吸、鼾聲、心電、脈搏波、血氧、體溫和體動(dòng)。

圖1 硬件框圖Fig.1 The hardware block diagram

1.2 多導(dǎo)睡眠圖儀的傳統(tǒng)測(cè)量方法

1.2.1 傳統(tǒng)睡眠結(jié)構(gòu)的測(cè)量方法

1968年，美國加州大學(xué)腦研究所的學(xué)者Rechtschaffen和Kales提出適用于成年人和1周歲以上嬰兒的睡眠分期標(biāo)準(zhǔn)(簡稱R＆K)［1］，它已被世界上大多數(shù)學(xué)者接受，目前被廣泛應(yīng)用于臨床和科研。該標(biāo)準(zhǔn)判斷睡眠分期需要3項(xiàng)指標(biāo)，即腦電圖(EEG)、眼動(dòng)圖(EOG)和肌電圖(EMG)。一般需要同時(shí)測(cè)量5路信號(hào)，即兩路腦電、兩路眼動(dòng)電和一路頦肌電信號(hào)。根據(jù)信號(hào)特征的不同，睡眠分期可分為快速眼動(dòng)期和非快速眼動(dòng)期，非快速眼動(dòng)期又分為淺睡1期、淺睡2期、深睡3期、深睡4期。

1.2.2 傳統(tǒng)呼吸事件的測(cè)量方法

臨床檢測(cè)呼吸暫停和低通氣一般需要同時(shí)測(cè)量患者的口鼻氣流、胸廓呼吸運(yùn)動(dòng)、腹部呼吸運(yùn)動(dòng)和血氧等生理信號(hào)。檢測(cè)口鼻氣流的目的，是為了判斷呼吸是否暫停;檢測(cè)胸、腹呼吸的目的，是為了判斷患者在發(fā)生呼吸暫停時(shí)胸腹呼吸是否存在，也就是判斷呼吸暫停的種類;增加血氧檢測(cè)的目的，則是為了增加判斷呼吸事件的準(zhǔn)確程度。

1.3 選擇性監(jiān)測(cè)與分析系統(tǒng)的測(cè)量方法

本研究的測(cè)量方法是對(duì)傳統(tǒng)測(cè)量方法的一種繼承和補(bǔ)充:一方面，它在傳統(tǒng)多導(dǎo)睡眠監(jiān)測(cè)信號(hào)都記錄到的情況下，仍采用傳統(tǒng)睡眠結(jié)構(gòu)和呼吸事件檢測(cè)分析方法;另一方面，它可在傳統(tǒng)多導(dǎo)睡眠監(jiān)測(cè)信號(hào)不全或由于客觀原因不能或無法獲取傳統(tǒng)多導(dǎo)睡眠監(jiān)測(cè)信號(hào)的情況下，利用已研究多年的基于心率、血氧、呼吸、體動(dòng)等［3－6］信號(hào)進(jìn)行睡眠分期和呼吸事件檢測(cè)。

選擇性睡眠監(jiān)測(cè)分析系統(tǒng)可根據(jù)監(jiān)測(cè)獲得的有效生理信號(hào)，最大限度地利用可獲得信息量，采用人工智能和信息融合技術(shù)，提取有效睡眠分期和呼吸事件。分析算法的關(guān)鍵技術(shù)是在可獲得的信號(hào)中充分挖掘出睡眠呼吸的相關(guān)信息，有

式中，k為可獲得的有效監(jiān)測(cè)信號(hào)個(gè)數(shù)，Y1(n)為第n時(shí)段的睡眠分期，Y1(n－1)為第n－1時(shí)段的睡眠分期，Y2(m)為第 m個(gè)呼吸事件，X1(n)、X2(n)、X3(n)等為第n時(shí)段的心動(dòng)周期、血氧、體動(dòng)、呼吸等信號(hào)。

由式(1)和式(2)可以看出，當(dāng)前時(shí)段的睡眠分期不僅與當(dāng)前時(shí)段的生理信號(hào)特征有關(guān)，還與前一時(shí)段的睡眠分期類型有關(guān)。上述模型可以在僅有心動(dòng)周期信號(hào)的情況下，簡化為最簡模型，即

式中，X1(n)為第n時(shí)段的心動(dòng)周期信號(hào)。

隨著可獲得的信號(hào)數(shù)量增多，分析的精度將不斷提高，圖2為該系統(tǒng)的測(cè)量方法。測(cè)量信號(hào)完整時(shí)，可根據(jù)傳統(tǒng)方法獲得診斷結(jié)果AHI;當(dāng)信號(hào)不全或缺失時(shí)，可根據(jù)獲得的信號(hào)多少及可靠程度來自動(dòng)調(diào)整算法，使在當(dāng)前條件下分析獲得的診斷結(jié)果AHI達(dá)到盡可能的準(zhǔn)確和精確。

圖2 選擇性監(jiān)測(cè)與分析系統(tǒng)的測(cè)量方法Fig.2 The analysis method of the new system

2 選擇性監(jiān)測(cè)與分析系統(tǒng)關(guān)鍵技術(shù)

人體功能狀態(tài)會(huì)通過過多種生理信號(hào)形式表現(xiàn)出來。人身上的許多生理信號(hào)，如心動(dòng)周期、呼吸波參數(shù)、體動(dòng)參數(shù)、皮膚電阻、體溫等，都會(huì)隨睡眠各期的周期性變化而呈現(xiàn)出相應(yīng)的變化?；谶@一理念，在本研究中，試圖通過分析睡眠呼吸相關(guān)生理信號(hào)的方法，獲取睡眠分期和呼吸事件。

本系統(tǒng)的關(guān)鍵就是在傳統(tǒng)PSG必備的分析信號(hào)缺失或者沒有時(shí)，如何利用其他生理信號(hào)獲得睡眠分期和呼吸事件技術(shù)。已有研究表明［3－6］，除了腦電、頜肌電、眼動(dòng)及鼻氣流、胸呼吸、腹呼吸與睡眠分期和呼吸事件有關(guān)系外，心率、血氧、體動(dòng)、呼吸、體溫等也均與睡眠分期和呼吸事件的發(fā)生有關(guān)系。其中，20例對(duì)照實(shí)驗(yàn)表明［4］，平均醒睡符合率可以達(dá)到90.7%，呼吸事件平均符合率可達(dá)到89%。

在分析睡眠結(jié)構(gòu)和呼吸事件時(shí)，新設(shè)計(jì)的算法可根據(jù)獲得的信號(hào)做一定的優(yōu)先級(jí)處理，優(yōu)先級(jí)設(shè)定的依據(jù)可確保分析結(jié)果的可靠性與準(zhǔn)確性。

2.1 心率變異性與睡眠分期及呼吸事件的關(guān)系

人類睡眠在快速眼動(dòng)期和非快速眼動(dòng)期之間交替進(jìn)行，隨著睡眠深度的增加，機(jī)體的應(yīng)激性下降，心跳變緩，呼吸變得平穩(wěn)，能量消耗下降，這些都表明睡眠過程中自主神經(jīng)的調(diào)節(jié)與中樞神經(jīng)的功能變化是同步的。而大家知道，心率變異性受自主神經(jīng)的調(diào)節(jié)，被認(rèn)為是最能反映自主神經(jīng)對(duì)心臟調(diào)節(jié)的敏感指標(biāo)，因此整晚的心動(dòng)周期變化信息中必然蘊(yùn)含有相應(yīng)的睡眠狀態(tài)信息?；谶@一考慮，對(duì)被檢測(cè)者整晚的心動(dòng)周期進(jìn)行時(shí)頻分析，提取相應(yīng)特征，獲得睡眠分期和呼吸事件，得到診斷指標(biāo)AHI，見圖 3。

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

無論正常人還是SAHS患者，心率變異性的各個(gè)頻段均與睡眠分期有一定程度的相關(guān)性，其中超低頻段的特征與睡眠分期的相關(guān)性最大。本研究表明:心率較快地由低上升到高且水平較高時(shí)為醒，心率由低上升到高、變化較慢且水平較高時(shí)為快速眼動(dòng)期，心率水平較低時(shí)為深睡期，心率水平居中時(shí)一般為淺睡期。

特征提取時(shí)的窗長度取 270s，用漢寧(Hanning)窗進(jìn)行加窗處理，F(xiàn)FT長度取512;為了與腦電睡眠分期一致，窗口每次的移動(dòng)距離為30 s。睡眠分期和心動(dòng)周期變異性的各頻段都含有不同程度的相關(guān)性，因此擬利用心動(dòng)周期變異性的多參數(shù)特征方法充分挖掘心動(dòng)周期變異性中所包含的睡眠信息。

所提取的特征包括:①RRM，RR間期平均值，相當(dāng)于超低頻成分;②VLF，極低頻成分能量，0.003～0.04 Hz;③LF，低頻成分能量，0.04 ～0.15 Hz;④HF，高頻成分能量，0.15 ～0.4 Hz;⑤NVLF，極低頻成分能量占總能量的百分比;⑥NHF，HF×100/(LF+HF);⑦VLF/HF，極低頻成分能量與高頻成分能量的比值;⑧LF/HF，低頻成分能量與高頻成分能量的比值;⑨APF，呼吸暫停成分能量，0.01～0.04 Hz;⑩NAPF，呼吸暫停成分能量占總能量的百分比。

健康人僅提取特征① ～特征⑧，SAHS患者還需要提取特征⑨和特征⑩。

利用主成分分析方法，去除特征間的相關(guān)性，選取篩選出來的主成分分量，通過20例健康人和20例SAHS患者建立決策模型，采用Fisher決策樹進(jìn)行睡眠判別，選取3級(jí)二叉決策樹，在樹的第一級(jí)分出深睡期，第二級(jí)分出淺睡期，第三級(jí)分出快速眼動(dòng)期和覺醒期。

利用小波變換在時(shí)/頻域分析領(lǐng)域的優(yōu)勢(shì)，對(duì)整晚HR序列進(jìn)行6級(jí)分解，可以得到不同層次的近似與細(xì)節(jié)分量系數(shù)。利用重建濾波器，分別把第1、4、5、6級(jí)小波分解的細(xì)節(jié)分量系數(shù)重建為與整晚HR等長度的不同層次的細(xì)節(jié)信號(hào) D1、D4～D6，發(fā)現(xiàn)D4～D6整合就可以很好地提取出呼吸暫停和低通氣的特征波形，D1即可很好地表現(xiàn)出RSA特征波形。圖4為利用整晚心動(dòng)周期序列進(jìn)行呼吸事件檢測(cè)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對(duì)應(yīng)的特征波形，然后利用相應(yīng)學(xué)習(xí)獲得的知識(shí)進(jìn)行事件識(shí)別。

圖4 呼吸事件檢測(cè)算法流程(RRI-心電RR間期)Fig.4 Flowchart of detecting breathing events algorithm(RRI-RR Interval)

呼吸事件結(jié)束時(shí)心率會(huì)明顯升高，波形上會(huì)呈現(xiàn)一個(gè)明顯的近似于倒U字的特征，因此通過分析相應(yīng)特征，可識(shí)別呼吸事件的發(fā)生位置和長度。另外，呼吸事件發(fā)生時(shí)，竇性心律(RSA)的變化幅度在一定程度上可以反映呼吸事件的類型，一般來說，中樞型呼吸事件發(fā)生期間RSA的幅度要明顯小于阻塞型呼吸事件。

2.2 血氧與睡眠分期及呼吸事件的關(guān)系

對(duì)中重度SAHS患者而言，睡眠后會(huì)不斷發(fā)生呼吸事件，血氧會(huì)因?yàn)闄C(jī)體缺氧而反復(fù)降低。因此，通過血氧的降低程度及特征，也可在一定程度上判別睡眠分期。血氧降低發(fā)生呼吸事件時(shí)，睡眠狀態(tài)不可能是覺醒或深睡期，如果血氧降低的相對(duì)程度比較大，則判別為快速眼動(dòng)期，否則判為淺睡期。

呼吸事件的發(fā)生一般都會(huì)伴隨著血氧的周期性降低、升高，反過來，從血氧的周期性降低、升高也可反推出呼吸事件發(fā)生的位置及長度。

2.3 體動(dòng)與睡眠分期及呼吸事件的關(guān)系

體動(dòng)與睡眠的關(guān)系也非常密切。由于“睡眠-清醒”周期和“休息-活動(dòng)”周期有近乎一對(duì)一的相關(guān)性，且活動(dòng)量變化和各睡眠分期中的肌肉張力變化也有相關(guān)，因而已有研究者提出一些測(cè)量活動(dòng)量的方法，以間接測(cè)量“睡眠-清醒”狀態(tài)，其中較為廣泛應(yīng)用的技術(shù)為活動(dòng)記錄，以加速度傳感器感受動(dòng)作變化，進(jìn)而量化并存儲(chǔ)該項(xiàng)資料，具有感受、量化處理、存儲(chǔ)三部分裝置的活動(dòng)記錄器相當(dāng)于一只男用手表的體積大小，可以佩戴于手腕?；顒?dòng)記錄器所記錄存儲(chǔ)的資料可達(dá)數(shù)周甚至數(shù)月，因此比以腦電波測(cè)量為主的多導(dǎo)睡眠記錄儀更適宜作長期監(jiān)測(cè)“休息-活動(dòng)”周期之用［11］。一般而言，體動(dòng)幅度較大、持續(xù)時(shí)間較長、頻度較高時(shí)，狀態(tài)為醒;對(duì)正常人而言，無體動(dòng)信號(hào)時(shí)一般為快速眼動(dòng)期或深睡期;體動(dòng)小且持續(xù)時(shí)間較短、頻度不高時(shí)，睡眠為淺睡。

利用體動(dòng)判別呼吸事件方面的研究表明［3－6］:呼吸事件結(jié)束時(shí)，一般會(huì)發(fā)生體動(dòng);阻塞型睡眠呼吸事件結(jié)束時(shí)呼吸用力比較明顯，因而會(huì)伴有體動(dòng)信號(hào)的產(chǎn)生;而中樞性呼吸事件結(jié)束時(shí)則沒有呼吸用力產(chǎn)生，因此也就不伴有體動(dòng)信號(hào)的產(chǎn)生。

3 結(jié)果

設(shè)計(jì)的系統(tǒng)軟件分為實(shí)時(shí)監(jiān)測(cè)軟件和回顧分析軟件。實(shí)時(shí)監(jiān)測(cè)軟件可把硬件采集到的腦電、眼動(dòng)、頦肌電、鼻氣流、胸呼吸、腹呼吸、鼾聲、心電、脈搏波、血氧、體溫和體動(dòng)數(shù)據(jù)通過有線和無線方式，傳輸給計(jì)算機(jī)并顯示出來;回顧分析軟件包含心電分析、心率變異性分析、睡眠結(jié)構(gòu)檢測(cè)和呼吸事件檢測(cè)分析等算法，顯示內(nèi)容分為病例資料、心電、睡眠、呼吸事件、信號(hào)回放和報(bào)告打印7部分。在回顧分析軟件中，報(bào)告打印的內(nèi)容和形式與傳統(tǒng)PSG基本一樣，只是根據(jù)可獲取的信號(hào)不同，分析算法會(huì)自動(dòng)切換。圖5為回顧分析軟件中的整晚趨勢(shì)顯示圖。

圖5 回顧軟件分析結(jié)果Fig.5 The results of software analysis

將30例中重度SAHS患者的PSG完整信號(hào)分析結(jié)果與信號(hào)缺失后僅剩心動(dòng)周期的分析結(jié)果進(jìn)行比較，結(jié)果如圖6所示;分別計(jì)算其診斷指標(biāo)AHI，求其Pearson相關(guān)系數(shù)，并對(duì)其做成對(duì) t檢驗(yàn)。Pearson相關(guān)的系數(shù)計(jì)算結(jié)果為0.953 1，P<0.001;成對(duì)t檢驗(yàn)的結(jié)果為 P>0.05，因此兩者分析結(jié)果沒有顯著性差異。

圖6 HRV_AHI與PSG_AHI的相關(guān)性Fig.6 The correlation of HRV_AHI and PSG_AHI

4 結(jié)論

本系統(tǒng)在一定程度上彌補(bǔ)了傳統(tǒng)多導(dǎo)睡眠圖儀的不足，簡化了診斷程序，降低了患者的檢查負(fù)荷，完善和提升了現(xiàn)有 PSG檢測(cè)的功能，使一臺(tái)PSG可派生出多種監(jiān)測(cè)模式(依據(jù)患者的病情及其可接受程度)。和傳統(tǒng)PSG相比，本系統(tǒng)分析功能更加強(qiáng)大，使用更加方便，具備獨(dú)立監(jiān)測(cè)分析的功能，為醫(yī)生和患者提供了靈活的選擇，已在醫(yī)院得到初步應(yīng)用，有望進(jìn)一步推廣。

［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］吳鋒.基于心動(dòng)周期變異性提取睡眠呼吸暫停低通氣綜合征診斷信息的研究［D］.西安:第四軍醫(yī)大學(xué)學(xué)位論文，2004.

［4］吳鋒.便攜式睡眠監(jiān)測(cè)系統(tǒng)的研制［J］.醫(yī)療衛(wèi)生裝備，2008，29(11):20 －22.

［5］吳鋒，俞夢(mèng)孫，成奇明，等.健康人和SAHS患者心動(dòng)周期變化的特征研究［J］.實(shí)用診斷與治療雜志，2004，18(6):473－475.

［6］俞夢(mèng)孫.床墊式低負(fù)荷睡眠檢測(cè)技術(shù)的臨床應(yīng)用［J］.實(shí)用診斷與治療雜志，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