CN108463166A - 儿童阻塞性睡眠呼吸暂停症的诊断系统和方法 - Google Patents
儿童阻塞性睡眠呼吸暂停症的诊断系统和方法 Download PDFInfo
- Publication number
- CN108463166A CN108463166A CN201680056125.3A CN201680056125A CN108463166A CN 108463166 A CN108463166 A CN 108463166A CN 201680056125 A CN201680056125 A CN 201680056125A CN 108463166 A CN108463166 A CN 108463166A
- Authority
- CN
- China
- Prior art keywords
- ahi
- osahs
- children
- spo2
- severity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4818—Sleep apnoea
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
- A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fuzzy Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Optics & Photonics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明一方面作为一种OSAHS的筛选工具,评估其对SpO2记录的自动分析性能。将统计学的、光谱的和非线性的特征组成一个初始特征集。使用一个快速基于相关性过滤器寻找最优子集。对三种模式识别算法的判别能力进行评估:线性判别分析,二次判别分析和逻辑回归。另一方面,采用血氧测定法来确定儿童OSAHS的严重程度。将176例患儿的单通道SpO2记录根据睡眠呼吸暂停低通气指数(AHI)分为三个严重程度组:AHI<1次每小时(e/h),1<AHI<5e/h,和AHI≥5e/h。为了测试OSAHS的严重程度,使用第一光谱分析来定义和描述SpO2中的频率带。然后通过多层感知器(MLP)神经网络方法将光谱数据与3%氧减指数(ODI3)相结合,以将这些儿童归类到所述三个OSAHS严重度组中的其中一组。
Description
优先权
本专利申请要求申请号为62/207,780的美国临时专利申请的优先权,该美国临时专利申请申请日为2015年8月20日,本申请结合了该专利的技术方案。
技术领域
本发明涉及睡眠呼吸暂停监测的方法、系统和装置。特别涉及使用血氧测定法诊断儿童阻塞性睡眠呼吸暂停低通气综合征和预测其严重程度的方法、系统和装置。
背景技术
阻塞性睡眠呼吸暂停低通气综合征(OSAHS)是以睡眠时上呼吸道反复阻塞,造成间歇性停止呼吸(呼吸暂停)或气流减少(呼吸不足)。呼吸暂停伴随着血氧不足和心动过缓。呼吸暂停通常会使人觉醒,导致睡眠片段化,并造成日间过度嗜睡。因此,阻塞性睡眠呼吸暂停低通气综合征被认为是一个主要的公众健康问题。此外,该病症对心血管系统造成长期影响,包括高血压,心律失常,充血性心力衰竭和脑血管疾病。儿童阻塞性睡眠呼吸暂停低通气综合征也是一种非常流行但易误诊的疾病。根据美国儿科学会的资料,一般儿科人群中有1%-5%患有阻塞性睡眠呼吸暂停低通气综合征。未经治疗的阻塞性睡眠呼吸暂停低通气综合征对婴幼儿的发育和表现产生负面影响,降低整体健康和生活质量,同时增加医疗开支和相关费用。
在过去的20-30年,儿童阻塞性睡眠呼吸暂停低通气综合征也成为一种常见的和令人担忧的医疗状况。它的特点也是睡眠中呼吸模式异常,包括由全部上气道阻塞引起的反复的呼吸暂停(完全的气流停止)和部分上呼吸道阻塞引起的低通气(气流不足)。以夜间反复缺氧、高碳酸血症和伴有觉醒事件为特征的换气不足是导致与中枢神经系统、心血管和代谢系统有关的严重合并症的原因。因此,经常有家长反映一些与OSAHS相关的日间症状,如认知和行为异常,以及非典型的生长。此外,儿童OSAHS的患病率很高,研究显示,在一般儿科人群中的比例高达5.7%。
诊断儿童睡眠呼吸暂停低通气综合征的“黄金标准法”是夜间多导睡眠描记(PSG)。然而,PSG存在许多局限,由于需要记录大量的生理学信号,其不仅复杂,而且成本较高。并且,必须在特殊的睡眠装置中,及技术人员的监管之下才能进行。PSG监测不同的生理学信号,如心电图(ECC)、脑电图(EEG)、眼电图(EOG)、肌电图(EMG)、血氧饱和度、腹部通气效应和打鼾。随后这些记录必须由医学专家分析以获得最终的诊断。尽管其具有较好诊断表现,然而也有诸多缺点,例如复杂、昂贵及费时。此外,为了获得睡眠呼吸暂停及低通气指数(AHI),所有的PSG信号需要线下检查。所述睡眠呼吸暂停及低通气指数(AHI)用于确定睡眠呼吸暂停低通气综合征是否出现及其严重程度。此外,儿童往往不能容忍PSG的相关设备。因此,最近的研究集中在替代的、简单的诊断技术的发展,如基于夜间脉搏血氧测定法的医疗系统的应用。对单通道睡眠相关记录的分析是一个令人关注的方法,这种方法降低了成本和复杂性。就这一点而言,由于其具有可靠性、简单性和适合于儿童,血氧测量信号的自动处理是一个有前途的替代方法。
夜间脉搏血氧测定法允许在睡眠中通过测量血氧饱和度(SpO2)来监测呼吸系统动力学。该记录提供了关于睡眠呼吸暂停低通气综合征的有用信息。呼吸暂停具有血氧饱和度值降低的特征,反映出气流量减少和血氧不足。随后,呼吸恢复,血氧饱和度值升高到基线水平。因此,由于睡眠中的循环性呼吸暂停,同对照组相比,睡眠呼吸暂停低通气综合征患者的血氧饱和度信号趋于更加不稳定。这些不同的表现可以用于诊断睡眠呼吸暂停低通气综合征。多种根据SpO2数据的方法已经被用于OSAHS的诊断。最简单的是目视检查。然而,该方法乏味且主观。因此,理想的方法是对血氧饱和度数据进行自动分析。为此,首先需要获得常规的血氧指标。这些指标是氧减指数超过2%(ODI2)、3%(ODI3)和4%(ODI4),且累计时间低于90%的饱和度(CT90)。然而,通过使用更先进的计算机执行信号处理方法,根据SpO2记录,可能提高OSAHS的诊断水平。
另外,一个常用的方法是研究与PSG相关的缩减信号集的诊断能力,这些信号来源与PSG相关,如心电图(ECG)、光电容积脉搏波(PPG)、气流(AF),或血氧饱和度。特别地,ECG衍生信号的频域和时域分析显示了在儿童OSAHS诊断中的实用性。此外,来自PPG的脉搏波传导时间变量分析成功地将时间段分为呼吸暂停段或非呼吸暂停段,以及将儿童分为正常组和OSAHS患者组。此外,最近的一项研究显示,当结合由SpO2得到的氧减指数(ODI)与由AF得到的光谱信息时,具有较高的诊断能力。最后,得到光谱、非线性、SpO2和脉搏率变量(PRV)记录的统计学特征,并成功地结合,以建立儿童OSAHS的诊断。
相关技术包括美国专利申请(No.10/947,983),公开了一种OSAS诊断的方法,该方法基于一种预测睡眠呼吸暂停低通气指数(AHI)采用非参数分析和引导聚合的工具;美国专利申请(No.11/122,278)公开了一种涉及体积描记信号处理的呼吸监测方法;美国专利申请(No.10/30/2008)公开了一种计算机执行的患者监测方法,该方法基于信号处理以检测呼吸模式。此外,美国专利申请(No.13/561,011)公开了一种使用血氧饱和度和AHI及多元线性回归模型或多层感知器网络以监测睡眠呼吸暂停严重程度的系统和方法。美国专利(8,862,195)是关于通过血氧饱和度,对阻塞性睡眠呼吸暂停的检测。
发明内容
如上所述,儿童OSAHS是一种非常普遍的情况,对婴幼儿的健康、表现和生活质量产生不利影响。早期发现和治疗能够改善与该病相关的神经心理和认知缺陷。本发明一方面作为一种OSAHS的筛选工具,评估其对血氧饱和度(SpO2)记录的自动分析性能。第一步,将统计学的、光谱的和非线性特征组成一个初始特征集。然后,使用一个快速基于相关性过滤器(FCBF)寻找最优子集。最后,对三种模式识别算法的判别能力(OSAHS阴性与OSAHS阳性)进行评估:线性判别分析(LDA),二次判别分析(QDA)和逻辑回归(LR)。用于阳性诊断的三个临床常用的阈值点:睡眠呼吸暂停低通气指数(AHI)分别为1、3和5次/小时(e/h)。在一个临床阈值点为5次/小时的独立的测试组使用QDA的情况下,本发明的方法测试精度达88.6%(71.4%的敏感性和100%的特异性,100%的阳性预测值,和84%的阴性预测值)。这些结果表明,SpO2夜间记录可以用来开发一个可靠和有效的儿童OSAHS的筛查工具。
本发明的另一方面,采用血氧测定法来确定儿童OSAHS的严重程度。为了测试这一方面,将176例患儿的单通道SpO2记录根据睡眠呼吸暂停低通气指数(AHI)分为三个严重程度组:AHI<1次每小时(e/h),1<AHI<5e/h,和AHI≥5e/h。为了测试OSAHS的严重程度,使用第一光谱分析来定义和描述SpO2中的频率带。然后通过多层感知器(MLP)神经网络方法将光谱数据与3%氧减指数(ODI3)相结合,以将这些儿童归类到所述三个OSAHS严重程度组中的其中一组。根据这种MLP多类方法,可以得出一个能够至少减少46%的多导睡眠图测试的诊断方案。此外,用于两个常见AHI诊断阈值点(AHI=1e/h和AHI=5e/h)的二元分类任务也可以评价本发明的这一方面。结果表明,两种诊断方法均具有较高的诊断能力(精度分别达到84.7%和85.8%),优于临床变量ODI3以及最近的研究报告中的其他测量方法。这些结果表明,SpO2包含的信息有助于对儿童OSAHS严重程度进行检测。
具体实施方式
本发明具有不同形式的具体实施方式,将结合图详细说明。任何基于本发明公开的技术方案及其发明构思的特定实施方式都应属于本发明原理的示例。应当理解,此处所描述的具体实施例仅用于解释本发明,而不用于限定本发明。
可以理解的是,对本领域普通技术人员来说,可以根据本发明优选实施例的说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
A.儿童阻塞性睡眠低通气综合征夜间血氧测定自动分析筛选工具。
以前的基于OSAHS诊断的血氧饱和度的研究评估了常规的指标、统计数据和光谱特征。同样,研究还利用了包含血氧测定法中的脉搏率记录的信息。在本发明中,对血氧饱和度(SpO2)记录进行了分析。对统计的(第一至第四时刻)、光谱的(振幅、相对功率和功率分配测量)、非线性的(不规则,变量和复杂性测量)和常规的指标(从基线开始算起的饱和度数)进行了计算。这些指标以前曾在成人和儿童的OSAHS诊断中进行过评估。快速基于相关性过滤器(FCBF)被提出用于特征选择。FCBF是一种用于特征选择的不依赖于随后在分类阶段使用的分类器的变量排序方法。将线性判别分析(LDA)、二次判别分析(QDA)和逻辑回归(LR)用于分类。在二元分类问题上,QDA和LR适合替代传统的LDA,但在儿童OSAHS的评估方面的表现较差。本发明所述的方法检测补充变量,并提供一般分类模型作为儿童OSAHS筛查工具。本发明的一个方面是利用不同的临床阈值点设计和评估多个用于OSAHS的二元分类器,以分析不同严重程度阈值下的筛查能力。为了实现这一目标,对独立的训练和测试数据集进行了分析,以优化所述方法。
A.1研究中的对象与信号
数据集共由176名儿童(97名男生和79名女生)组成。由于临床疑似OSAHS,所有儿童都被转到芝加哥大学医学院附属儿童医院(芝加哥,IL,美国)的儿科睡眠室。此研究的草案经伦理审查委员会批准,并且获得了每位参研儿童的知情同意。
使用一种数字多导睡眠监测系统监测儿童睡眠(Polysmith;日本光电美国有限公司,CA,美国)。对从PSG得到的血氧饱和度记录(采样频率为25Hz)进行输出和脱机处理。伪像通过预处理阶段被自动移除。当血氧饱和度值为零并且连续SpO2样品之间的差异达到24%,则认为是伪像。
用美国睡眠医学院的规则来量化睡眠和心肺活动并获得睡眠呼吸暂停低通气指数(AHI),该指数取睡眠中的每小时心肺活动次数的平均值。呼吸暂停定义为在至少2个呼吸周期内口鼻气流缺乏。呼吸不足定义为在至少2个呼吸周期内,口鼻气流持续降低250%,导致氧饱和度下降23%和/或产生一觉醒。在本研究中,为了评估该方法使用常用的阈值点对OSAHS进行筛查的性能阈值,对基于AHI的临床阈值进行了改变。从PSG得到的AHI2值为1,3,和5次每小时(e/h)时即认为是OSAHS阳性。表一显示了数据集的人口学和临床特征,以疾病的AHI阈值阈值为参考。对于每个阈值点,整个人口样本被随机分为训练集(60%)和测试集(40%)。
表Ⅰ用于OSAHS诊断的不同阈值点的人口学和临床特征
A.2方法
首先,将每个SpO2记录参数化,计算17个特征:时域统计(4)、频域统计(6)、常规光谱特征(3)、非线性测量(3)和常规血氧指标(1)。然后,使用FCFB,实施一个特征选择阶段。针对每一个OSAHS阈值点,推导出了最优特征子集。最后,LDA,QDA,和LR模型组成每个特征子集。训练集用于特征选择和模型优化,而测试集用于评估独立数据集中的所有分类器。
A.2.1特征提取阶段
计算以下特征子集:
时域统计。从SpO2的振幅数据直方图中可以得到平均值(Mlt)、方差(M2t)、偏度(M3t)和峰度(M4t)。
频域统计。通过第一至第四统计时刻(M1f-M4f),对功率谱密度(PSD)振幅的分布进行参数化。此外,计算了中值频率(MF)和谱熵(SE)以量化功率分布的平坦度。
常规光谱特征。从PSD中计算信号总功率(PT)、峰值(PA)以及在呼吸暂停频率带(0.021-0.040Hz)的相对功率(PR)。
非线性测量。对样本熵(SampEn,m=1,r=0.25)、集中趋势测量(CTM,r=1)和Lempel-Ziv复杂度(LZC)进行计算以量化不规则性、变异性和复杂性。
常规血氧指标。记录中的去饱和数大于或等于基线的3%每小时(ODI3)。
先将SpO2记录分割成1分钟长度的时段,然后计算时域特征(随后得到每个特征平均值),而对PSD函数的估算,则采用韦尔奇法(15000样本汉宁窗,50%重叠和214点的DFT)。
A.2.2特征选择阶段
FCBF计算对称不确定性(SU)以选择相关的和非冗余变量。在i-th输入特征(Xi)和AHI(Y)之间的SUi,定义如下:
其中,IG是信息增益,H是著名的香农熵。在第一步中,FCBF根据其相关性对特征进行排列(SUi越高,则相关特征越多)。然后,用阈值来剔除非相关特征。在这项研究中,应用对数判据,其中界限是[N/log(N)]-th排列特征的SU值。在第二步中,删除冗余特征。为了进行冗余分析,对每对剩余排列特征(SUi、SUj)之间的SUij(特征i,特征j)进行计算。然后,如果SUi,j≥SUi,则删除冗余特征j。
A.2.3特征分类阶段
使用传统的统计模式识别技术进行二元分类:
线性判别分析(LDA)。基于判别分析的统计分类算法假定正规性以建立输入模式x和类cj的每个类条件密度函数p(x|cj)模型。如果也假定了同方差性,也就是所有的类协方差矩阵相同(Σj=Σ),那么分类规则称为LDA,并且假定了线性判定阈值。
方程(2)给出了分类规则,
其中,μj和Σ分别是类cj的平均向量和协方差矩阵。
二次判别分析(QDA)。在更一般的情况下,不可能假设同方差性。贝叶斯分类规则,最大限度地减少分类错误,在特征空间的类之间建立了一个二次判定边界。方程(3)基于这些假设给出了以下分类规则,
逻辑回归(LR)。数据的正规性和同方差性没有一个先验的预测。一个二元LR分类器将概率密度函数作为伯努利分布模型。运用极大似然准则对逻辑模型系数进行了优化。方程(4)给出了逻辑分类函数:
其中fl是LR模型系数向量。
A.2.4统计分析
对真阳性率(灵敏度,Se)、真阴性率(特异性,Sp)、真阳性患者阳性测试占比(阳性预测值,PPV)、真阴性受试者阴性测试占比(阴性预测值,NPV)和正确分类儿童的比例(精度,Acc)进行计算,以评估各独立变量和最佳的LDA、QDA,以及LR模型的表现。默认分类阈值设为0(LDA和QDA)和0.5(LR)。
A.3结果
A.3.1训练集
为了构造初始特征空间,对提取的特征进行了计算。对每个单一特征进行ROC分析,以得到训练集的最优分类阈值。然后,使用FCFB得到最优特征子集。表Ⅱ显示了每个诊断阈值的选定特征。对LDA、QDA和LR分类器进行了模型训练。
A.3.2测试集
表Ⅲ使用从训练集得到的阈值概述了测试集中每个单一特性的诊断性能。当OSAHS阈值为1e/h时,ODI3达到了最大精度(77.1%)。而当阈值为3e/h、M2t和M1f时,PA达到最大精度(77.1%)。当阈值为5e/h时,PT达到最大精度(82.9%)。在独立测试集中,对每个OSAHS阈值的最佳模式识别模型也进行了评估。表Ⅳ总结了性能分析。对于阳性OSAHS,当AHI=1e/h,LR模型由FCBF特征构成,精度达到了77.1%(91.4%Se,8.3%Sp),而当阈值为3e/h时,精度达到了72.9%(61.5%Se,87.1%Sp)。当阈值为5e/h时,达到了最高的精度,其中QDA的精度达88.6%(71.4%Se,100%Sp)。
表Ⅱ对OSAHS每个阈值点进行FCBF特征选择选取出的最佳特征子集
表Ⅲ对测试集的初始特征空间的每个单一变量的诊断评估
Se:灵敏度(%);Sp:特异性(%);PPV:阳性预测值(%);NPV:阴性预测值(%);Acc:精度(%)。每个OSAHS阈值的最高精度特征用粗体突出显示。
表Ⅳ使用不同阈值点的,基于FCBF的,各最优血氧模型的测试集诊断性能
Se:灵敏度(%);Sp:特异性(%);PPV:阳性预测值(%);NPV:阴性预测值(%);Acc:精度(%)。每个OSAHS阈值的最高精度特征用粗体突出显示。
A.4讨论和结论
在儿童OSAHS筛检中使用在临床夜间多导睡眠评估期间获得的SpO2记录,对特征提取、选择和分类算法进行了评估。在所有从FCBF得到的最佳特征子集中给出了所有特征提取方法(时间、频率、线性和非线性),表明所述方法之间具有互补性。我们的研究结果表明,M2t,PA,SampEn,和ODI3与疾病相关,因为他们总被选择。同样,当阈值点分别为5,3和1e/h时,M2t,PA,和ODI3达到了最佳的个体表现。当阈值点AHI=5e/h时,最佳模式识别模型提高了个体特征。在测试集中,QDA的最高性能达到了71.4%Se,100%Sp和88.6%Acc。需要指出的是,使用这个模型没有假阴性的结果:如果儿童检测为阳性,那么肯定患有OSAHS(阳性后验概率为100%)。
我们的研究结果与近期关于儿童OSAHS筛查方法的研究结果相吻合。Sahadan等人的研究分析了93个儿童,从脉搏血氧测定记录使用脉搏率常规测量,达到18%Se和97%Sp(阈值AHI=1e/h)。类似地,Garde等人对从146个儿童得到的SpO2和脉搏率进行研究。在测试集中,所提出的LDA模型达到88.4%Se和83.6%Sp(阈值AHI=5e/h)。针对OSAHS,Kadmon等人向85名儿童进行了简化的睡眠相关问卷调查。他们的方法达到了83%Se和64%Sp(阈值AHI=5e/h)。
此处的样本人群评估可以进行扩展以获得更具普遍意义的结论。此外,还可以对光谱和非线性分析的输入参数进行全面优化。最后,还可以对额外的特征选择和分类方法进行评估。
综上所述,我们的研究结果表明,本发明所述的使用合适的特征和统计模式识别模型的夜间SpO2自动分析方法,可以提高血氧饱和度对儿童OSAHS的筛查能力。
B.预测儿童阻塞性睡眠呼吸暂停症严重程度的血氧记录分析和分类
根据本发明的另一个方面,使用单通道SpO2包含的信息对OSAHS严重程度进行检测。利用从SpO2通道得到的数据,简化儿童OSAHS诊断和严重程度评价。因此,本发明在该方面的主要目的是评估SpO2信号所包含信息的诊断能力。具体地说,对儿童的SpO2记录的光谱进行分析,并根据其相应的AHI将其分为三组。各文献为确定儿童OSAHS而采用的最优AHI各不相同,大多数研究使用1、3、5次每小时(e/h)。在这里,用最严格的阈值AHI<1e/h以剔除OSAHS,使用AHI5≥e/h以定义OSAHS最高严重程度组。此外,最具有挑战性的一组由范围为1≤AHI<5E/h的患者组成,因为此范围内的治疗手段通常要对扁桃体和腺样体进行切除手术。因此,对三组儿童的血氧饱和度记录的光谱进行评估,寻找区别特征。此外还采用了3%ODI(ODI3)作为对比。最后,光谱信息和ODI3通过人工神经网络和多层感知器(MLP)进行结合,以将儿童分为三组。这种多类方法允许定义包含可疑对象的协议,同时,从一个二元分类来看,也允许对AHI=1e/h和AHI=5e/h阈值点进行评价。
B.2所研究的对象和信号
如前所述,研究涉及176个儿童的SpO2记录(97名男孩和79名女孩)。由于临床疑似OSAHS,所有儿童都被转到芝加哥大学医学院附属儿童医院(芝加哥,IL,美国)的儿科睡眠室。此研究的草案经伦理审查委员会批准,并且获得了每位参研儿童的知情同意。夜间PSGs时间为从20:00至08:00。记录由数字多导睡眠监测系统产生(polysmith;日本光电美国有限公司,CA,美国)。根据美国睡眠医学学会的规则,对睡眠和心肺活动进行了检测和量化。因此,呼吸暂停被定义为在至少2个呼吸周期内口鼻气流缺乏。呼吸不足被定义为在至少2个呼吸周期内,口鼻气流持续降低250%,导致氧饱和度下降23%和/或一个觉醒。如前所述,根据其相应的AHI将儿童分成三组:AHI<1次每小时(e/h),1<AHI<5e/h,和AHI≥5e/h。表Ⅴ概括了该分组下受试者的人口学和临床数据。当运用非参数KruskalWallis检验比较三组时,在年龄、性别、体重指数(BMI)方面无显著统计学差异(P<0.01)。
SpO2记录要求PSG的采样率fs=25HZ。在预处理期间自动剔除由于儿童移动而产生的伪像。因此,SpO2值为零或与连续SpO2样品之间的差异≥4%时,认为存在伪像。去除的样本被插值数据代替。ODI3约为每小时睡眠时间的减少量(至少3%)。
表Ⅴ人口统计学和临床
BMI:体重指数;AHI:睡眠呼吸暂停低通气指数;‘p值=0.016;*p值=0.816
B.3方法
所述方法分为三步。首先,对血氧饱和度记录进行光谱分析,寻找三组之间的差异。然后根据分析结果提取多个光谱特征。最后,通过MLP将光谱数据和ODI3结合以将儿童分为三组。
B.3.1光谱分析与特征提取
用Welch方法对每个血氧饱和度记录的功率谱密度(PSD)进行估计。使用包含213个样本(5.5分钟)、50%重叠以及214个样本的离散傅立叶变换的汉明窗。图1示出了各组OSAHS严重程度的平均PSD值。由于密度增加,可观察到更高的PSD值。一个兴趣带(BW)也在0.0137~0.0473Hz范围内显示。这与光谱带宽度吻合,在所述光谱带宽度中三组的PSD幅值(p值=0.01,p值=0.0033经过Bonferroni校正)之间差异具有统计学意义(Mann-WhitneyU测试)。在这种情况下,BW相当于光谱带宽度,其中AHI<1和AHI[1,5)之间有显著性差异。图2示出了三组对比的p值与频率关系图。BW的极限容易落在AHI<1和AHI[1,5)的p值(f)曲线与p值显著性水平线的交点之间。
从每个PSD的BW中提取了以下特征:PSD最大值(MA)、PSD最小值(mA)、光谱功率(PS,BW处PSD以下的面积)和PSD值的标准差(SDf)。如图1所示,随着OSAHS严重程度的增加,这些特征的值将更高。特征提取之后,每个研究对象的特征在于:向量xi(i=1,2...M,M=176)的5个部分对应于四个光谱特征和ODI3值。
B.3.2多层感知器
MLP是一种监督学习算法,其体系结构设置在几个互连层中(输入层、隐含层和输出层),由称为神经元或感知器的单元构成。每个神经元的特征是激活函数g(·)和与其他层神经元的连接(Wi,j)。这里,所述输入层有五个单元,对应于从每个对象(MA、mA、PS、SDf)和ODI3中提取的光谱特征数。此外,由于要分成三类,就用到了具有逻辑激活功能的三个输出单位。应用一个由具有非线性激活功能的神经元组成的单隐含层。已知这种配置能够提供一个通用函数逼近。由于隐含层的神经元的数量(NH)控制网络的有效复杂性,选择一个小值,NH=5,以防止网络的过拟合。因此,最终输入层、隐含层、输出层的神经元的数量比值为5:5:3。通过按比例缩小的共轭梯度算法,使用平方误差函数最小化准则对重量wi,j进行优化。对每个研究对象,将对应的xi(i=1,2…M,M=176)分配给输出层中概率最高的类,以实现最终的分类。
B.3.3统计分析
用非参数KruskalWallis测试来评估OSAHS严重程度组的光谱特征的统计学差异。利用混淆矩阵评价多类MLP的性能。同时,从一个二元分类观点来评估MLP的输出、灵敏度(Se,OSAHS阳性者得到正确分类的百分比)、特异性(Sp,OSAHS阴性者得到正确分类的百分比)、精度(Acc,受试者得到正确分类的整体比例)、阳性预测值(PPV,阳性测试结果中真阳性的比例)、阴性预测值(NPV,阴性试验结果中真阴性的比例)、阳性似然比(LR+,Se/(1-Sp)),和测量的阴性似然比(LR-,(1-Se)/Sp)和AHI=1e/h和AHI=5e/h阈值点的诊断能力。所有这些统计数据都是经过留一交叉验证法(loo-cv)得到的。
B.4结果
表VI显示了三个OSAHS严重程度组的光谱特征值和ODI3(平均值±标准差)。通过KruskalWallis测试对三个组进行比较,这些值都表现出显著的统计学差异。正如预期的那样,五个特征值都随着OSAHS严重程度的增加而增高。
表Ⅶ显示了三个分类的MLP网络的诊断能力评估产生的混淆矩阵(loo-cv后的结果)。176个对象中有125个被正确地分类(71%)。对于每个类,在AHI<l时有80%(75中60个)的受试者得到正确分类;AHI[1,5)内有70.4%(71中50个)的受试者得到正确分类;在AHI≥5时,50%(30中15个)的受试者得到正确分类。
表Ⅷ显示了评估AHI=1e/h和AHI=5e/h时的MLP和ODI3的诊断能力(loo-cv后的结果)。MLP结果直接来自混淆矩阵。对于两种阈值,MLP的全局Acc高于对应的ODI3(分别为84.7%对78.4%和85.8%对76.7%)。当AHI=1e/h时,ODI3比MLP更明确,产生出更高的PPV和LR+。而当AHI=5e/h时,每个统计中的MLP都优于ODI3。
表VI光谱特征值和ODI3值(平均值±标准差)
表ⅦMLP多任务混淆矩阵(loo-cv后)
B.5讨论和结论
本发明公开了一种基于单通道SpO2信息的儿童OSAHS严重程度自动诊断方法。通过MLP对兴趣带光谱特征和临床变量ODI3特征进行结合,以将对象归类为三个OSAHS严重程度组之一。
SpO2光谱分析显示一兴趣带(BW=0.0137-0.0473Hz),其中三个类具有显著性差异。BW的下限与成人相对应的兴趣带一致(0.014-0.033Hz,即时间持续30到71秒)。相反地,在儿童中发现更高的上限,暗示事件时长更短,这与报告的儿童具有较高的呼吸频率一致。然而,对于两条兴趣带差异的原因还需要进一步分析。
对三个类别的比较,显示从BW提取的光谱特征具有显著的统计学差异。随着OSAHS严重程度的增加,各指标均增高。因为理想的SpO2时间序列是一个常数,接近100%,频率中PSD值越高,则去饱和度数和向基线的恢复越多。因此,在离散频率(MA,mA)和整个频率带(PS,SDf)中,高的MA、mA、PS和SDf代表了更多的去饱和度事件,这与临床上使用的OSAHS严重程度分类一致。
多类MLP方案正确地分类了71%的受试者。虽然整体精度还不够高,对错误分类的进一步研究显示,属于AHI[1,5)组的11个儿童被分配到AHI<1组,而他们实际的AHI值为1.65±0.42e/h。这意味着96.3%的预测为AHI<1的对象未患OSAHS或严重程度较低。此外,AHI[1,5)组中的4个儿童被分配到AHI≥5组,而他们实际的AHI值为3.0±1.7e/h,即100%的预测为AHI≥5的对象患有严重的OSAHS,或与AHI[1,5)组相比严重程度较高。最后,分配为AHI[1,5)组的儿童来自三组的比率为:AHI<1(15.8%)、AHI[1,5)(63.2%)和AHI≥5(21.0%)。因此,被分配到这组的儿童应该具有不确定性。从这些结果可以生成一个筛选方案,如下:i)如果MLP预测AHI<l,排除OSAHS;ii)如果MLP预测AHI≥5,考虑治疗;iii)如果MLP预测AHI[1,5),进行夜间PSG监测。由于血氧饱和度信号容易从血氧仪获得,该方案将减少46%的夜间PSG的需求(81/176)。
其他研究分析了生理信号以帮助儿童OSAHS的诊断。所有研究都是基于二元分类的视角。其中一项研究分析了50个心电图记录,对23个特征(AHI阈值=1e/h)应用二次线性判别,达到85.7%Se,81.8%Sp,和84%Acc。另一项研究评估了21个PPG时间序列信息的诊断能力,达到75%Se,85.7%Sp和80%的Acc(AHI阈值=5e/h)。另一项研究,使用逻辑回归方法将从50个AF记录中得到的光谱特征与SpO2的ODI3结合,达到85.9%Se,87.4%Sp和86.3%的Acc(AHI阈值=3e/h)。还有一项研究报道了在146个样本数据库中,通过结合SpO2的8个特征和线性判别PRV,达到83.6%Se,88.4%Sp和85%的Acc。目前的MLP方法可以同时评估AHI=1e/h和AHI=5e/h(Acc分别为84.7%和85.8%)。
相比其他类似的研究,本研究样本数目虽然不小,但为了得到一个更稳健的MLP训练,仍需要更多的儿童,特别是那些AHI<1e/h的儿童。这可能包括一个培训测试计划以及对隐含层神经元数量范围的估算,神经元数量设定为一个任意的较低值以减少过度拟合的几率。
此外,拥有更多的研究对象也使我们能够使用一个训练集,从中可以独立获得感兴趣的光谱带。使用loo-cv方法来验证我们的结果。最后,利用时域特征可以对本发明进行补充。使用更大的数据集对除了本研究已经提出的特征和分类模型进行评估。
总之,一个多类MLP方法的开发有助于筛查儿童OSAHS的严重程度。将从兴趣频率带得到的SpO2特征与MLP的ODI3相结合,高过单一临床变量的诊断率。此方法也可用于进行二元分类,与已有的最高水平的研究相比,达到了较高的诊断能力。因此,研究结果表明,单通道SpO2包含的信息有助于检测儿童OSAHS的严重程度,并对其进行分类。
Claims (2)
1.一种如说明书所述的阻塞性睡眠呼吸暂停症的诊断系统和方法,其特征在于,及其任意实施方式及配置。
2.一种检测和测量儿童阻塞性睡眠呼吸暂停症发生和严重程度的系统和方法,其特征在于,至少使用一计算机分析系统、神经网络、人工智能中的一种方法,进一步包含,一测量患者血氧饱和度的脉搏血氧计。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201562207780P | 2015-08-20 | 2015-08-20 | |
US62/207,780 | 2015-08-20 | ||
PCT/US2016/048009 WO2017031489A1 (en) | 2015-08-20 | 2016-08-22 | System and method of diagnosing pediatric obstructive sleep apnea |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108463166A true CN108463166A (zh) | 2018-08-28 |
Family
ID=58051080
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680056125.3A Pending CN108463166A (zh) | 2015-08-20 | 2016-08-22 | 儿童阻塞性睡眠呼吸暂停症的诊断系统和方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20180353126A1 (zh) |
CN (1) | CN108463166A (zh) |
WO (1) | WO2017031489A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110338797A (zh) * | 2019-08-12 | 2019-10-18 | 苏州小蓝医疗科技有限公司 | 一种基于鼾声和血氧的中频止鼾仪数据处理方法 |
CN111110208A (zh) * | 2019-12-13 | 2020-05-08 | 南京理工大学 | 基于lstm的慢性阻塞性肺疾病氧减状态预测方法 |
CN111466877A (zh) * | 2020-03-31 | 2020-07-31 | 上海蠡图信息科技有限公司 | 一种基于lstm网络的氧减状态预测方法 |
CN111820871A (zh) * | 2019-04-17 | 2020-10-27 | 联发科技股份有限公司 | 生理状态监测装置及相关方法 |
WO2021208656A1 (zh) * | 2020-04-17 | 2021-10-21 | 华为技术有限公司 | 睡眠风险预测方法、装置和终端设备 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111248913B (zh) * | 2020-01-21 | 2023-04-07 | 山东师范大学 | 基于迁移学习的慢性阻塞性肺疾病预测系统、设备及介质 |
US11504072B2 (en) * | 2020-04-21 | 2022-11-22 | Covidien Lp | Desaturation severity prediction and alarm management |
CN111685774B (zh) * | 2020-05-28 | 2023-08-25 | 西安理工大学 | 基于概率集成回归模型的osahs诊断方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AUPN236595A0 (en) * | 1995-04-11 | 1995-05-11 | Rescare Limited | Monitoring of apneic arousals |
US9042952B2 (en) * | 1997-01-27 | 2015-05-26 | Lawrence A. Lynn | System and method for automatic detection of a plurality of SPO2 time series pattern types |
US9585601B2 (en) * | 2013-08-15 | 2017-03-07 | Chunyuan Qiu | Systems, methods and devices for diagnosing sleep apnea |
-
2016
- 2016-08-22 WO PCT/US2016/048009 patent/WO2017031489A1/en active Application Filing
- 2016-08-22 US US15/779,018 patent/US20180353126A1/en not_active Abandoned
- 2016-08-22 CN CN201680056125.3A patent/CN108463166A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111820871A (zh) * | 2019-04-17 | 2020-10-27 | 联发科技股份有限公司 | 生理状态监测装置及相关方法 |
CN111820871B (zh) * | 2019-04-17 | 2023-11-03 | 联发科技股份有限公司 | 生理状态监测装置及相关方法 |
CN110338797A (zh) * | 2019-08-12 | 2019-10-18 | 苏州小蓝医疗科技有限公司 | 一种基于鼾声和血氧的中频止鼾仪数据处理方法 |
CN111110208A (zh) * | 2019-12-13 | 2020-05-08 | 南京理工大学 | 基于lstm的慢性阻塞性肺疾病氧减状态预测方法 |
CN111466877A (zh) * | 2020-03-31 | 2020-07-31 | 上海蠡图信息科技有限公司 | 一种基于lstm网络的氧减状态预测方法 |
CN111466877B (zh) * | 2020-03-31 | 2023-12-01 | 上海蠡图信息科技有限公司 | 一种基于lstm网络的氧减状态预测方法 |
WO2021208656A1 (zh) * | 2020-04-17 | 2021-10-21 | 华为技术有限公司 | 睡眠风险预测方法、装置和终端设备 |
CN113520343A (zh) * | 2020-04-17 | 2021-10-22 | 华为技术有限公司 | 睡眠风险预测方法、装置和终端设备 |
Also Published As
Publication number | Publication date |
---|---|
US20180353126A1 (en) | 2018-12-13 |
WO2017031489A1 (en) | 2017-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Van Steenkiste et al. | Automated sleep apnea detection in raw respiratory signals using long short-term memory neural networks | |
CN108463166A (zh) | 儿童阻塞性睡眠呼吸暂停症的诊断系统和方法 | |
Gutiérrez-Tobal et al. | Evaluation of machine-learning approaches to estimate sleep apnea severity from at-home oximetry recordings | |
Hornero et al. | Utility of approximate entropy from overnight pulse oximetry data in the diagnosis of the obstructive sleep apnea syndrome | |
Acharya et al. | Automated detection of sleep apnea from electrocardiogram signals using nonlinear parameters | |
Avcı et al. | Sleep apnea classification based on respiration signals by using ensemble methods | |
US6839581B1 (en) | Method for detecting Cheyne-Stokes respiration in patients with congestive heart failure | |
Haidar et al. | Convolutional neural networks on multiple respiratory channels to detect hypopnea and obstructive apnea events | |
AU2018225827A1 (en) | Systems and methods of automatic cough identification | |
Kuo et al. | Automatic sleep staging based on a hybrid stacked LSTM neural network: verification using large-scale dataset | |
Nikjoo et al. | Automatic discrimination between safe and unsafe swallowing using a reputation-based classifier | |
Rolón et al. | Automatic scoring of apnea and hypopnea events using blood oxygen saturation signals | |
Kristiansen et al. | Data mining for patient friendly apnea detection | |
Williamson et al. | Forecasting respiratory collapse: theory and practice for averting life-threatening infant apneas | |
Sankar et al. | Effective enhancement of classification of respiratory states using feed forward back propagation neural networks | |
Vaquerizo-Villar et al. | Convolutional neural networks to detect pediatric apnea-hypopnea events from oximetry | |
Kim et al. | Time domain characterization for sleep apnea in oronasal airflow signal: A dynamic threshold classification approach | |
Marcos et al. | Radial basis function classifiers to help in the diagnosis of the obstructive sleep apnoea syndrome from nocturnal oximetry | |
Gutiérrez-Tobal et al. | Analysis and classification of oximetry recordings to predict obstructive sleep apnea severity in children | |
Haba et al. | A remote and personalised novel approach for monitoring asthma severity levels from EEG signals utilizing classification algorithms | |
Marcos et al. | The classification of oximetry signals using Bayesian neural networks to assist in the detection of obstructive sleep apnoea syndrome | |
Erazo et al. | A benchmark on automatic obstructive sleep apnea screening algorithms in children | |
Akhter et al. | Detection of REM/NREM snores in obstructive sleep apnoea patients using a machine learning technique | |
Li et al. | A dirichlet process mixture model for autonomous sleep apnea detection using oxygen saturation data | |
Vaquerizo-Villar et al. | Improving the diagnostic ability of oximetry recordings in pediatric sleep apnea-Hypopnea syndrome by means of multi-class AdaBoost |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180828 |
|
WD01 | Invention patent application deemed withdrawn after publication |