CN111867450A - 睡眠呼吸暂停检测系统和方法 - Google Patents
睡眠呼吸暂停检测系统和方法 Download PDFInfo
- Publication number
- CN111867450A CN111867450A CN201980017591.4A CN201980017591A CN111867450A CN 111867450 A CN111867450 A CN 111867450A CN 201980017591 A CN201980017591 A CN 201980017591A CN 111867450 A CN111867450 A CN 111867450A
- Authority
- CN
- China
- Prior art keywords
- sleep
- apnea
- sleep stage
- sensor signal
- detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 109
- 201000002859 sleep apnea Diseases 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000008667 sleep stage Effects 0.000 claims abstract description 170
- 208000008784 apnea Diseases 0.000 claims abstract description 117
- 230000007958 sleep Effects 0.000 claims description 52
- 238000013145 classification model Methods 0.000 claims description 17
- 230000001419 dependent effect Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims 2
- 238000013186 photoplethysmography Methods 0.000 description 30
- 238000012360 testing method Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 13
- 208000001797 obstructive sleep apnea Diseases 0.000 description 13
- 238000012549 training Methods 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 12
- 210000004369 blood Anatomy 0.000 description 11
- 239000008280 blood Substances 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 208000003417 Central Sleep Apnea Diseases 0.000 description 9
- 206010021079 Hypopnoea Diseases 0.000 description 9
- 230000000241 respiratory effect Effects 0.000 description 9
- 230000029058 respiratory gaseous exchange Effects 0.000 description 9
- 230000000875 corresponding effect Effects 0.000 description 8
- 210000003205 muscle Anatomy 0.000 description 7
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 229910052760 oxygen Inorganic materials 0.000 description 6
- 239000001301 oxygen Substances 0.000 description 6
- 210000004556 brain Anatomy 0.000 description 5
- 239000003814 drug Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000004962 physiological condition Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 230000007423 decrease Effects 0.000 description 4
- 238000002106 pulse oximetry Methods 0.000 description 4
- 238000000926 separation method Methods 0.000 description 4
- 206010019280 Heart failures Diseases 0.000 description 3
- 230000037007 arousal Effects 0.000 description 3
- 230000000747 cardiac effect Effects 0.000 description 3
- 210000003169 central nervous system Anatomy 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 238000000537 electroencephalography Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000036385 rapid eye movement (rem) sleep Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 208000019116 sleep disease Diseases 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 206010020772 Hypertension Diseases 0.000 description 2
- 208000012902 Nervous system disease Diseases 0.000 description 2
- 208000025966 Neurological disease Diseases 0.000 description 2
- 206010041349 Somnolence Diseases 0.000 description 2
- 208000006011 Stroke Diseases 0.000 description 2
- 238000002835 absorbance Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000002567 electromyography Methods 0.000 description 2
- 208000019622 heart disease Diseases 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 230000000541 pulsatile effect Effects 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000004622 sleep time Effects 0.000 description 2
- 208000020446 Cardiac disease Diseases 0.000 description 1
- 206010007559 Cardiac failure congestive Diseases 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010012289 Dementia Diseases 0.000 description 1
- 241001669679 Eleotris Species 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 206010022489 Insulin Resistance Diseases 0.000 description 1
- 208000016285 Movement disease Diseases 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 description 1
- 208000032140 Sleepiness Diseases 0.000 description 1
- 206010041235 Snoring Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 210000003403 autonomic nervous system Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 230000003728 cerebral autoregulation Effects 0.000 description 1
- 230000003727 cerebral blood flow Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000036757 core body temperature Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007574 infarction Effects 0.000 description 1
- 206010022437 insomnia Diseases 0.000 description 1
- 208000017169 kidney disease Diseases 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 230000009245 menopause Effects 0.000 description 1
- 230000006371 metabolic abnormality Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 208000031225 myocardial ischemia Diseases 0.000 description 1
- 230000008452 non REM sleep Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000002741 palatine tonsil Anatomy 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 210000001184 pharyngeal muscle Anatomy 0.000 description 1
- 210000003800 pharynx Anatomy 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 208000002815 pulmonary hypertension Diseases 0.000 description 1
- 230000004461 rapid eye movement Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 210000003491 skin Anatomy 0.000 description 1
- 208000020685 sleep-wake disease Diseases 0.000 description 1
- 230000037321 sleepiness Effects 0.000 description 1
- 230000037322 slow-wave sleep Effects 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 230000002889 sympathetic effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 208000001072 type 2 diabetes mellitus Diseases 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Images
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
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02405—Determining heart rate variability
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
-
- 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
- A61B5/4812—Detecting sleep stages or cycles
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/681—Wristwatch-type devices
-
- 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
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Abstract
一种用于检测睡眠呼吸暂停的方法(和系统)包括确定第一特性,特别是睡眠阶段,以及使用对检测算法的选择基于生理传感器信号来呼检测吸暂停事件,所述检测算法取决于所确定的第一特性。通过在执行自动呼吸暂停检测过程时考虑第一特性(例如睡眠阶段),可以提高呼吸暂停检测的准确性。
Description
技术领域
本发明涉及睡眠呼吸暂停的检测,其中呼吸暂停被用作通用术语以包括阻塞性睡眠呼吸暂停、中枢性睡眠呼吸暂停以及呼吸不足发作。
背景技术
睡眠呼吸暂停是一个通用术语,用于指定两种类型的睡眠呼吸障碍,即阻塞性睡眠呼吸暂停(OSA)和中枢性睡眠呼吸暂停(CSA)。尽管它们是由不同的生理现象引起的,但它们都与气流的减少(呼吸不足)或完全停止(呼吸暂停)相关,导致血氧饱和度降低,并最终引起皮层唤醒和交感神经活动的爆发,并伴有心率和血压的增加。
重复性呼吸暂停和呼吸不足事件会中断睡眠连续性并减少睡眠时间,这在一定程度上解释了一种定义性症状:白天过度嗜睡。睡眠呼吸暂停与心脏和脑血管疾病(例如,高血压、心力衰竭、心律不齐、心肌缺血和梗塞、肺动脉高压)、肾脏疾病、代谢异常、胰岛素抵抗和脂质异常、中风、痴呆和老年人中的认知障碍、以及脑血流量和脑自动调节的改变的风险增加相关联。
OSA是最常见的睡眠呼吸暂停类型,由上呼吸道的完全或部分阻塞引起。通常,在睡眠期间、舌、口和咽部的肌肉略微松弛,但不足以阻塞气道。对于OSA,肌肉松弛太多。舌头压在上呼吸道的后部,阻碍气流通向肺部。
在OSA事件中,心率降低,血氧饱和度降低。当大脑无法获得足够的氧气时,由于对气流的阻力,这种阻塞可能会引起觉醒,使对象从睡眠状态中部分或完全醒来。通常,对象在返回睡眠状态之前会喘气以恢复气流。这是一种循环模式,通常在整个夜晚重复(上至100次)。OSA发作通常持续20到40秒钟。
尽管CSA不如OSA常见,但它仍然是一种相关的睡眠呼吸障碍,在遭受其他合并症(如心力衰竭和神经系统疾病)患者中更常见。CSA的特征是气流停止,呼吸停止(呼吸暂停),或气流和呼吸停止减少,而没有明显的呼吸部分阻塞(呼吸不足)证据。
为了量化睡眠呼吸障碍的严重程度,使用了同时包含CSA和OSA呼吸暂停和呼吸不足的指标。呼吸暂停低通气指数(AHI)反映每小时观察到的睡眠的平均呼吸暂停和/或呼吸不足的次数。在成年人中,AHI≤5被认为是正常的。轻度呼吸暂停的特征是每小时5-15事件之间的AHI,中度呼吸暂停每小时15-30事件之间,并且重度呼吸暂停与每小时30事件以上的AHI值相关联。人们常常意识不到夜间经常醒来。
关于呼吸暂停患病率,在30至60岁之间的成年人中,AHI≥5的女性约为9%,并且男性约为24%。肥胖是呼吸暂停的最强危险因素,可通过体重指数、颈围和腰臀比等多个参数来反映。其他危险因素包括衰老、性别、咽部肌肉张力下降、扁桃体肿胀、更年期、上呼吸道解剖结构、吸烟、饮酒、种族和存在其他心脏或神经系统疾病的存在。呼吸暂停流行病和肥胖病流行之间似乎有直接关系。
有许多与呼吸暂停相关的征兆,例如大声的打鼾,经常从睡眠中醒来以喘气来恢复气流或有窒息感。具有呼吸暂停的人大多数白天过度嗜睡或疲劳。其他报怨与失眠和抑郁症有关。呼吸暂停导致的碎片化睡眠可能会导致白天的认知能力下降,车辆和工作场所交通事故的风险增加。
睡眠呼吸暂停可以借助于患者在夜间必须戴的面罩通过鼻子施加持续的气道正压通气(CPAP)来治疗。诊断睡眠呼吸暂停的传统做法是在睡眠研究期间对患者进行监测。睡眠研究非常昂贵,需要在睡眠实验室以及参与人员进行通宵多导睡眠图(PSG)来评估。多导睡眠图通常将记录多个参数,包括:
脑电图(EEG)用于监视大脑活动;
眼电图(EOG)用于监视眼睛的运动;
肌电图(EMG)用于监测肌肉张力;
心电图(ECG)用于监视心脏的电活动;
胸部和腹部周围的呼吸电感体积描记法或压电带用于测量呼吸作用;
鼻和口腔热敏电阻或压力传感器用于测量气流;以及
脉搏血氧饱和度用于监测血氧水平的变化。
由于睡眠实验室的可用性有限以及与睡眠研究相关的高昂费用,睡眠呼吸暂停的诊断不足是一个大问题。据报道,约80%-85%的OSA患者未得到充分诊断。
已经提出了用于自动睡眠呼吸暂停筛查的各种算法。但是,存在大约80种不同的睡眠障碍。因此,在患有睡眠障碍的患者中检测睡眠呼吸暂停被认为具有挑战性。存在基于从ECG信号中提取的心率变异性(HRV)特征来检测呼吸暂停和呼吸不足发作的已知算法。呼吸暂停/呼吸不足发作对瞬时心率和血液动力学具有重大影响。这些发作会导致重复出现的心率模式,称为心率周期性变化(CVHR)。CVHR峰值是由于在终止呼吸暂停或呼吸不足事件的唤醒阶段心率突然增加所致。
众所周知,睡眠呼吸暂停是心血管疾病(如高血压、中风和充血性心力衰竭)、思维障碍和糖尿病发展的重要危险因素。因此,期望使用有限数量的传感器源对睡眠呼吸暂停进行早期和简化的诊断。
发明内容
本发明由权利要求所定义。
根据本发明的一个方面的示例,提供了一种用于检测睡眠呼吸暂停的系统,包括:
生理传感器,其用于生成用于检测睡眠呼吸暂停的传感器信号;
处理器,其适于:
确定取决于对象在睡眠期间(特别是睡眠阶段)的生理状况的第一特性,或者接收对所述第一特性的识别作为输入;以及
使用检测算法基于所述传感器信号来检测呼吸暂停事件,所述检测算法是根据第一特性从检测算法的集合中选择的。
该系统能够基于从生理信号中提取的特征,例如由PPG传感器和/或ECG传感器捕获的特征,来提供自动睡眠呼吸暂停筛查。这些特征的分析考虑了第一特性,所述第一特性取决于对象在该时间的睡眠期间的生理状况。所提取的特征例如包括与心率变异性(HRV)有关的信息。
以此方式,获得了中间特性,并且该中间特性被用于在一组睡眠呼吸暂停确定算法之间进行选择。因此,对于至少两个非清醒睡眠状态,存在至少两种睡眠呼吸暂停确定算法。这提供了两阶段的检测过程,其中,首先对对象的生理状况进行分类,并且该分类有助于更准确地确定呼吸暂停事件。
第一特性,即睡眠阶段,可以例如从对信号的手动检查中输入到系统中。然而,第一特性检测优选地也是自动的。例如,处理器可以适于根据从传感器信号导出的心率变异性信息来确定睡眠阶段。睡眠阶段例如由睡眠阶段分类器确定。
近年来,基于从ECG信号甚至PPG信号中提取的心率变异性(HRV)特征,自动睡眠阶段检测已经见证了实质的发展。在本发明的系统中可以使用能够自动识别睡眠阶段的相同生理传感器,以使得能够检测呼吸暂停事件。
与基于从生理信号中提取的HRV特征来检测呼吸暂停和呼吸不足事件的已知方法相比,本发明能够实现更高的检测准确度。特别地,在呼吸暂停检测的过程中利用了依赖于对象在睡眠期间的生理状况的信息,例如睡眠阶段特定的信息。相反,已知的解决方案提供通用分类方案,其被训练以找到从生理信号中提取的呼吸暂停特征之间的映射,而不考虑也可以从生理信号中提取的睡眠阶段信息或任何其他中间特性。
本发明例如基于在离线训练阶段中基于从生理信号中提取的特征来训练睡眠阶段特定的分类器,所述特征使各个睡眠阶段内的呼吸暂停类别分离最大化。
为了在生理信号的实例(即时间范围)中检测到呼吸暂停事件,首先可以估计与该实例相关联的睡眠阶段。随后,呼吸暂停检测基于应用特定于睡眠阶段的呼吸暂停分类器。
所述处理器例如适于:
从传感器信号中提取心跳计时;
导出搏动间隔时间系列;以及
从所述搏动间隔时间系列中提取心率变异性信息。
已知心率变异性信息可以用作自动呼吸暂停检测算法的一部分,并且心率变异性也可以用于睡眠阶段检测。本发明使得对于两种类型的检测都可以优化相同的信息源,以提高呼吸暂停检测的准确性。
所述处理器例如适于:
将所述传感器信号采样为时间系列;
从每个时间范围提取所述传感器信号的第一特征;以及
根据所述第一特征来确定每个时间范围的睡眠阶段。
因此,基于顺序的时间窗口执行自动睡眠阶段检测。
如上所述,用于睡眠阶段检测的第一特征可以包括心率变异性信息。
所述处理器例如还适于:
针对每个时间范围,选择呼吸暂停分类模型以用于从传感器信号中识别睡眠呼吸暂停,所述选择取决于先前确定的睡眠阶段;
从每个时间范围提取所述传感器信号的第二特征;以及
根据所述第二特征并且根据所选择的呼吸暂停分类模型来确定呼吸暂停或非呼吸暂停状态。
所述呼吸暂停检测是使用取决于睡眠阶段的模型来执行的。还可以使用取决于先前识别的睡眠阶段的模型来提取所述第二特征。
因此,所述第二特征(用于呼吸暂停检测)可以不同于所述第一特征(用于睡眠阶段检测),此外,可以根据先前识别的睡眠阶段来选择所述第二特征。因此,提取出最适合检测特定睡眠阶段内的呼吸暂停的特征,然后将其输入到合适的呼吸暂停分类模型。
如上所述,用于呼吸暂停检测的所述第二特征还可以包括心率变异性信息。
本发明还提供了一种检测睡眠呼吸暂停的方法,包括:
产生用于在检测睡眠呼吸暂停中使用的传感器信号;
确定取决于对象在睡眠期间的生理状况的第一特性,或者接收对所述第一特性的识别作为输入;以及
通过根据第一特性从检测算法的集合中选择一种检测算法,基于所述传感器信号来检测呼吸暂停事件。
所述第一特性例如是睡眠阶段,并且所述方法可以包括根据从传感器信号导出的心率变异性信息来确定睡眠阶段。
所述方法可以包括:
从传感器信号中提取心跳计时;
导出搏动间隔时间系列;以及
从所述搏动间隔时间系列中提取心率变异性信息。
该心率变异性可以用于睡眠阶段检测和呼吸暂停检测。
所述方法的睡眠阶段检测部分可以包括:
将所述传感器信号采样为时间系列;
从每个时间范围提取所述传感器信号的第一特征;以及
根据所述第一特征来确定每个时间范围的睡眠阶段。
所述方法的呼吸暂停检测部分可以包括:
针对每个时间段,选择用于在从所述传感器信号中识别睡眠呼吸暂停中使用的呼吸暂停分类模型;
使用取决于先前识别的睡眠阶段的模型来从每个时间范围提取传感器信号的第二特征;以及
根据所述第二特征并且根据所选择的呼吸暂停分类模型来确定呼吸暂停或非呼吸暂停状态。
本发明可以至少部分地以软件实现。
参考下文描述的实施例,本发明的这些和其他方面将变得显而易见并得以阐述。
附图说明
现在将参考附图详细描述本发明的范例,其中:
图1示出了典型的睡眠图,其指示成人睡眠中的各种睡眠阶段和周期,其中所述阶段被表示为时间的函数;
图2示出了根据本发明示例的系统;
图3示出了特定的心率特征在不同的睡眠阶段以及呼吸暂停和非呼吸暂停时间如何变化;
图4示出了所述系统为腕戴式传感器,所述传感器在整个晚上都被佩戴;
图5示出了由图2的系统执行的基本方法;
图6示出了针对睡眠阶段R的与睡眠阶段无关的呼吸暂停检测系统的表现的分析结果;
图7示出了针对睡眠阶段R的根据本发明的呼吸暂停检测系统的表现的分析结果;
图8示出了针对睡眠阶段N1的与睡眠阶段无关的呼吸暂停检测系统的表现的分析结果;
图9示出了针对睡眠阶段N1的根据本发明的呼吸暂停检测系统的表现的分析结果;
图10示出了针对睡眠阶段N2的与睡眠阶段无关的呼吸暂停检测系统的表现的分析结果;
图11示出了针对睡眠阶段N2的根据本发明的呼吸暂停检测系统的表现的分析结果;
图12示出了针对睡眠阶段N3的与睡眠阶段无关的呼吸暂停检测系统的表现的分析结果;
图13示出了针对睡眠阶段N3的根据本发明的呼吸暂停检测系统的表现的分析结果;
图14示出了针对睡眠阶段W的与睡眠阶段无关的呼吸暂停检测系统的表现的分析结果;并且
图15示出了针对睡眠阶段W的根据本发明的呼吸暂停检测系统的表现的分析结果。
具体实施方式
将参考附图来描述本发明。
应当理解,详细说明和具体示例虽然指示了设备、系统和方法的示例性实施例,但是仅旨在用于说明的目的,而并不旨在限制本发明的范围。根据以下说明、所附权利要求书和附图,将更好地理解本发明的设备、系统和方法的这些和其他特征、方面和优点。应该理解的是,附图仅是示意性的,并且未按比例绘制。还应该理解,贯穿附图,使用相同的附图标记来表示相同或相似的部分。
本发明提供了一种用于检测睡眠呼吸暂停的方法和系统,其中确定了中间特性,特别是睡眠阶段,并且使用依赖于所确定的睡眠阶段的检测算法基于生理传感器信号来检测呼吸暂停事件。通过在执行自动呼吸暂停检测过程时考虑诸如睡眠阶段的中间特性,可以提高呼吸暂停检测的准确性。
图1示出了典型的睡眠图,其指示成人睡眠中的各种睡眠阶段和周期,其中所述阶段被表示为时间的函数。这根据https://www.howsleepworks.com/types_cycles.html重制。
在整夜中,健康成年人的睡眠进展为非REM和快速REM睡眠的一系列睡眠周期。睡眠周期的平均持续时间约为90分钟。每个睡眠周期遵循非REM睡眠的多个阶段(分为阶段N1、N2和N3)。在睡眠阶段N3的时段之后,这些阶段可以进展回到N1,或者醒来的时段,或者在返回到新的睡眠周期中的N1至N3阶段之短暂的REM睡眠时段。通常,睡眠阶段N3所花费的时间随着夜晚的进行而减少,而REM睡眠的持续时间增加。
图1中所示的睡眠阶段由美国睡眠医学学会(AASM)定义:
N1:典型地,睡眠的第一阶段通常持续1至5分钟之间。它涉及从清醒状态到睡眠的过渡时段。由大脑发出的脑电波变慢。
N2:以心率降低和核心体温降低为特征。肌肉活动减少。这个阶段约占睡眠时间的50%。
N3:由于在EEG记录中可见的典型低频波,因此也称为深度睡眠或慢波睡眠。在此阶段,脑电波与清醒状态的可比性最低。肌肉活动进一步减少。难以唤醒处于深度睡眠状态的睡眠者。
REM:以快速的眼球运动为特征。发生高频波。尽管在此阶段大多数肌肉在此阶段处于瘫痪状态,但脑电波与清醒状态最相似。
具有睡眠呼吸暂停的人由于他们的睡眠因呼吸中断而引起的觉醒而碎片化,具有减少了N3和REM持续时间。通常,睡眠阶段在W(清醒)和N1之间振荡。
如上所述,近年来,基于从ECG信号甚至PPG信号中提取的心率变异性(HRV)特征,自动睡眠阶段检测已经见证了实质的发展。例如,参考:
[1]Berry,Richard B.等人的“Rules for Scoring Respiratory Events inSleep:Update of the 2007AASM Manual for the Scoring of Sleep and AssociatedEvents:Deliberations of the Sleep Apnea Definitions Task Force of theAmerican Academy of Sleep Medicine.”Journal of Clinical Sleep Medicine:JCSM:Official Publication of the American Academy of Sleep Medicine 8.5(2012):597–619;以及
[2]Fonseca P,Long X,Radha M,Haakma R,Aarts RM,RolinkJ.“Sleep stageclassification with ECG and respiratory effort”,IOP Physiol Meas.2015;36:2027-2040。
本发明利用生理传感器来提供对呼吸暂停事件的自动检测。检测算法考虑了睡眠阶段。睡眠阶段可以被手动输入到呼吸暂停检测算法,但是在优选的示例中,睡眠阶段检测也是自动的。此外,可以使用与呼吸暂停检测相同的传感器模式来自动识别睡眠阶段。
图2示出了根据本发明的示例的系统。
所述系统包括生理传感器10,所述生理传感器10捕获来自人体的传感器信号S。该信号是一种使得能够获得心率变异性的信号。为此,传感器10可以包括PPG传感器或ECG传感器。两种感测模态可以组合使用以提供更鲁棒的心率监测信息。
传感器信号被提供给处理器11,并且由处理器执行的信号处理功能在下面说明。
原始传感器信号S由采样单元12按时长处理,所述采样单元12按时间系列对传感器信号进行采样。传感器信号S中的第w个时间范围由SW表示。
第一特性提取单元14用于睡眠阶段检测。对于给定的时间范围w,从分窗的传感器信号SW的时间范围中提取特征FS W,从而向该时间范围w分配睡眠阶段。这是第一特征集。时间范围的持续时间为分钟的量级,例如2到10分钟,并且时间范围可以交叠以定义一个移动时间窗口。
特征集FS W被输入到睡眠阶段检测单元16。特征提取单元14可以包括额外的预处理/后处理步骤,例如数据清理,特征归一化和变换。
睡眠阶段检测单元16个从集合CS选择包含针对所有可能的睡眠阶段的标签的睡眠阶段,例如定义为:CS={W,N1,N2,N3,R}。W是清醒状态,其他睡眠阶段在上面概述。如下面进一步解释的,每个状态与用于检测每个特定睡眠阶段内的呼吸暂停事件的不同的呼吸暂停模型相关联。
相反,可以使用一组不同的睡眠阶段,例如定义了更多或更少的非REM阶段。
例如,所述集合可以被定义为Cs={W,N1和N2组合,N3,REM}。实际上,仅基于HRV特性难以分离N1和N2,因此在实施睡眠阶段分类器以确定要使用哪种呼吸暂停模型的系统中,这可能是阶段的组合。
可以将进一步简化的集合定义为CS={W,非REM,REM}。就睡眠期间的HRV特性而言,最大的不同将在于这些项。
替代地,集合C可以包括定义相干HRV特性的集群,而不必映射到实际睡眠阶段。然后可以将呼吸暂停模型直接链接到每个集群,并且不需要识别实际的睡眠阶段。该方法还避免了由于中枢神经系统活动(CNS,调节睡眠)和自主神经系统活动(ANS,由HRV反映)之间的差异而导致睡眠阶段与HRV之间的映射不是完全明确的问题。通过尝试从HRV特征映射到睡眠阶段再到睡眠呼吸暂停模型,可能无法得出最佳可能模型。通过直接从HRV映射到睡眠呼吸暂停模型,可以避免CNS和ANS之间的差异。
在下面的描述中,假设存在睡眠阶段识别。
睡眠阶段检测单元16中的睡眠阶段分类器基于提供给输入的特征集合FS W将集合CS中的睡眠阶段类别CS W分配给时间范围w。睡眠阶段检测的分类器是离线训练的。
在存储器中提供了一组用于检测睡眠呼吸暂停的预训练的分类器的集合18。睡眠阶段特异性呼吸暂停分类器的集合M由M={MW,MN1,MN2,MN3,MR}定义。该集合的每个成员包括一个或多个传感器信号特性,可用于识别该特定睡眠阶段内的呼吸暂停事件。注意,分类器MW可以只需包含这样的指示,即在清醒时段期间可能不发生呼吸暂停事件,因为这些呼吸暂停事件仅发生在睡眠期间。在集合M中至少还有另外两个睡眠阶段特定的呼吸暂停分类器。
基于检测到的睡眠阶段CS W,由呼吸暂停分类器模型选择单元20选择集合M内的呼吸暂停分类模型MW。
然后,所选择的模型在呼吸暂停检测单元22中使用。
集合M中的呼吸暂停分类模型被离线训练。
与第一特征集FS W的处理并行地,针对每个时间范围w从传感器信号SW提取第二特征集FO W专门用于呼吸暂停检测。这由第二特征提取单元24执行。
在呼吸暂停检测的时间范围内提取的特征的类型可以是固定的,但是它们可以代之以取决于由睡眠阶段检测单元16分配给时间范围w的睡眠阶段类别。这在图2中示出,其中所分配的睡眠阶段类CS W是到第二特征提取单元24的输入。
在离线训练阶段确定要针对特定睡眠阶段类提取的特征。
在呼吸暂停检测单元22中,生成表示呼吸暂停的二元检测或未检测到的输出。因此,存在只有两个类别成员的集合CO,CO={'呼吸暂停','非呼吸暂停'}。针对每个时间窗口,提供集合成员中的一个作为输出CO W。呼吸暂停检测单元22接收针对呼吸暂停检测而提取的特征FO W和睡眠阶段特定的分类模型MW作为输入。
如上所述,提取的特征与心率变异性信息有关。
HRV功能可以分为以下几类:
时域线性特征;
频带功率特性;
描述搏动间时间间隔(IBI)系列不规则性的非线性特征;
希尔伯特变换和离散小波变换特征。
这些特征的不同示例可能为不同的睡眠阶段提供与睡眠呼吸暂停事件的最佳关联。这种相关性是在一般系统训练阶段确定的。
因此,每个分类模型MW,MN1,MN2,MN3,MR是基于HRV特征的不同集合的。然后,特征FO W是那些能够应用分类模型的特征。
可以在离线训练阶段中预先指定每个分类模型中最终使用的与特定睡眠阶段相对应的HRV特征的数量。而且,例如,使用确定可用特征的哪个子集产生最佳分类性能的算法,可以自动地调整选择用于分类的特征(即,预测变量)的数量。
举例来说,训练阶段包括应用所有可用的HRV特征(例如有155个这样的特征)并应用特征选择过程,其目的是找到特征子集,所述子集可最大化特定睡眠中睡眠呼吸暂停类别之间的间隔阶段。这意味着最终将用于检测睡眠呼吸暂停事件的特征的量在不同的睡眠阶段可能会有所不同。
取决于用于构造睡眠呼吸暂停分类器的分类模型的类型,可以做出HRV特征的组合、加权组合或其他函数。一些分类器可以解释为从输入中提取某些特征集的函数,并且由该函数输出的分类概率基于所选特征的加权组合。
此外,这些特征的不同示例可以提供与睡眠阶段相比与睡眠呼吸暂停事件更好的相关性。因此,在两个特征提取单元中选择了不同的特征。同样,这种相关性是在一般系统训练阶段确定的。
例如,不同的HRV信息将最适合可靠的睡眠阶段检测(即,FS W)和呼吸暂停检测(即FO W)。
在不同的睡眠阶段之间,不同的HRV信息也与呼吸暂停检测有关。
图3示出了遍布针对数据集的不同睡眠阶段(x轴)的特定HRV特征(低频段功率,y轴)上的分布,其中所有数据样本均被标记为睡眠呼吸暂停(每个对的左栏)和非睡眠呼吸暂停(每个对右栏)。它表明每个睡眠阶段的特征分布都不同。这也展示了,应用特定于睡眠阶段的睡眠呼吸暂停分类器可以实现更大的分类间隔。由于特定特征或多或少贡献于预测效果,构建为最大化各个睡眠阶段内的睡眠呼吸暂停类分离的模型(MW...MR,等)很可能是不同的(即,包含不同的特征作为结果功能选择流程的结果,并且可能具有不同的权重)。
注意,在图2中示出了不同的处理子单元以解释潜在的处理。但是,很明显,在实践中所有这些单元可以在适当程序的控制下由单个处理器实现。可以看出,到处理器的输入是传感器信号和有关分类器M的信息,这些信息将用于识别不同睡眠阶段的呼吸暂停。但是,处理任务可以在多个处理器之间分配;有些可能位于传感器本地,而另一些可能位于远程。
睡眠阶段可以由系统操作者基于对PSG、EEG、EOG和EMG信号的视觉分析,遵循建立的规则,例如遵循美国睡眠医学学会(AASM)的手册,手动地评分。在这种情况下,睡眠阶段被输入到处理器,而不是处理器执行自动睡眠阶段检测。在这样的实施例中,用于睡眠阶段检测的特征提取单元14和睡眠阶段检测处理块16被从该手动分类处理输入的睡眠阶段代替。
该系统优选地被实现为可穿戴传感器,其可在睡眠期间被穿戴。图4示出了作为腕戴式传感器的系统30(如在顶部图像中可见),其整个晚上都被佩戴(如在底部图像中所示)。
可穿戴设备包括捕获生理信号10的传感器10和处理单元11或处理单元11的部分。一些或全部处理可以在所穿戴的系统本地执行,并且一些或全部可以在后端的系统执行,所述后端系统通过无线通信信道与所穿戴的系统通信。
在优选的实施方式中,使用光电体积描记(PPG)传感器。
PPG传感器是脉搏血氧仪。虽然这种传感器的目的是获得血氧饱和度的量度,但它也可以检测皮肤中血容量的变化,从而执行PPG感测。通过检测血容量的变化,获得与脉搏相对应的循环信号。因此,PPG传感器(例如脉搏血氧仪)通常用于提供脉搏率的量度。
PPG传感器包含至少一个LED和一个光传感器。LED和传感器被放置为使得LED将光引导到用户的皮肤中,所述光被反射或透射并被传感器检测到。反射/透射光的量尤其由皮肤内血液的灌注确定。
PPG系统例如包括红色LED、近红外LED和光电探测器二极管。传感器通常配置有直接在对象的皮肤上的LED和光电检测二极管。
LED发射不同波长的光,所述光通过皮肤的血管床扩散并被光电探测器二极管接收。测量在每个波长处变化的吸光度,从而使传感器能够确定仅由于脉动的动脉血引起的吸光度,排除了例如静脉血、皮肤、骨骼、肌肉和脂肪。然后可以分析所得的PPG信号。
可以使用用于获得PPG数据的系统的其他更简单的版本,包括具有一个或多个波长的单个光源的版本。光的吸收或反射率由搏动性动脉血量调节,并使用光电探测器进行检测。
在透射式脉搏血氧仪中,将传感器装置放置在对象身体的薄部分上。反射脉冲血氧饱和度可以用作透射脉冲血氧饱和度的替代方法。这种方法不需要人的身体的薄的部分,因此非常适合于更通用的应用,例如上图所示的手腕。
PPG传感器的基本设计例如是带有单波长光源(例如绿光(550nm))的接触式传感器,用于测量PPG信号。光源以一定的光输出频率(例如128Hz)脉冲化。光学传感器的采样频率较高,例如256Hz,使得其在光源激活期间以及光源激活之间进行测量。这允许系统区分LED发出的光和环境光,从而从光源脉冲期间接收的信号中滤除环境光。
在其他已知提议中,可以从相机图像获得PPG数据,其中环境光和/或其他光源用于照亮组织(例如皮肤)。因此,PPG测量甚至可以在距组织一定距离的地方执行,在这种情况下,光源和/或探测器不与组织接触,例如在基于摄像机的测量中。
PPG数据可以在一个或多个波长处获得,例如通常在1到10之间的任何数量的波长,但是甚至可以使用超过10个波长。
用于获得PPG数据的设备和技术在本领域中是众所周知的,并且实际上许多不同的PPG传感器是可商购的。例如,它们用于运动期间测量心率的设备中。
如上所述,PPG(或其他)信号的感兴趣特征与心率变异性(HRV)有关。为此,处理单元在PPG信号中定位每个心动周期的心跳开始。然后,可以对节拍间隔(IBI)时间系列进行噪声鲁棒的估计。然后从提取的IBI时间系列中导出HRV特征,以进行睡眠阶段检测和呼吸暂停检测。
如上所述,可以使用多个传感器来使得能够更鲁棒地确定感兴趣的特征(例如HRV信息)。另外,可以使用诸如加速度计的其他传感器,其数据可以用于识别和过滤出被运动伪影破坏的信息,以及提取可以用于改善睡眠阶段分类精度的额外特征。其他传感器可用于提取呼吸信息。例如,可以使用人脉搏血氧饱和度(SpO2)导出的特性,并且可以从多波长PPG传感器获得这些特性。这些特征描述了血液中氧饱和度或去饱和度的变化,其也与睡眠呼吸暂停事件有很强的相关性。
呼吸努力的代理度量也可以从原始PPG信号中自动导出。继而,这些措施可用于帮助区分各种类型的呼吸暂停事件,例如阻塞性睡眠呼吸暂停(其中流量中断,但呼吸努力持续)与中枢性睡眠呼吸暂停(其中呼吸努力也停止)。这可以在不添加额外传感器的情况下实现,因为它可以完全从PPG感应中采集。
此外,可以解释PPG信号的其他特征,例如与睡眠阶段特定的特性或呼吸暂停事件相关的PPG信号的形态特征。
图5示出了在睡眠阶段被确定或输入到系统的情况下由图2的系统执行的基础方法。所述方法包括:
在步骤40中,生成用于检测睡眠呼吸暂停的传感器信号;
在步骤42中,确定睡眠阶段或接收对睡眠阶段的识别作为输入;以及
在步骤44中,使用取决于所确定的睡眠阶段的检测算法,基于传感器信号来检测呼吸暂停事件。
可以通过将睡眠阶段视为与睡眠期间对象的生理参数有关的更通用的第一特性来概括该方法。
本发明的系统已经通过将处理应用于包含多睡眠图记录的患有睡眠障碍性呼吸和睡眠运动障碍的对象的多导睡眠图过夜记录而进行了测试。
作为生理信号源,PPG数据被使用,其中,传感器被定位于对象的手指上。来自睡眠时期的参考睡眠图是通过对睡眠阶段的专家审查(由睡眠评分系统自动分类)获得的。参考呼吸暂停和其他睡眠障碍事件以相同的流程评分。
该数据集包含55个睡眠时期,总持续时间为10131分钟,包括2876分钟的标注的呼吸暂停事件。
从手指PPG导出搏动开始位置,并将其转换为IBI时间系列。从IBI时间系列中,总共提取了155个不同的HRV特征。
离线功能选择和模型训练过程为每个睡眠阶段提供了一个独特的模型,所述模型基于特征的子集,所述子集最大化针对该睡眠阶段的睡眠呼吸暂停类别分离。这155个特征落入如上所述的特征类别。
从滑动窗口(即时间范围)中提取特征,长度为270秒并且交叠为30秒。
进行了两个实验,以验证以下假设:与应用非睡眠阶段特定的呼吸暂停检测模型的用例相比,应用睡眠阶段特定的呼吸暂停分类器可以实现更大的类别分离。为了评估实践中呼吸暂停检测的准确性,通过将数据划分为训练/测试部分来进行10重(fold)交叉验证,以便可以研究接收器的操作特性(ROC)。
在第一配置A中,交叉验证了未考虑睡眠阶段特定信息的呼吸暂停预测模型。换句话说,在第k重中,将训练通用分类模型,所述模型将训练集的输入特征空间映射到相应的参考呼吸暂停事件标签。作为分类器,使用逻辑回归模型。在训练阶段,将特征选择(递归特征消除)应用于第k重,以通过减少过度拟合来增强通用性。这是模型构建过程的一部分。
从排名最高的特征,至少出现六重的特征构成最终特征集。
在测试阶段,通过指定给测试时期的参考(真实情况)睡眠阶段来划分每个阶段中的测试数据,并针对每个睡眠阶段类别评估呼吸暂停检测性能。更具体地,从通过测试源自特定睡眠阶段类别的实例获得的呼吸暂停类别概率估计的集中,为每k重构造ROC曲线。
在第二配置B中,评估了上述方法。训练数据按参考睡眠阶段分类。对于每个睡眠阶段类别,在每个第k重中,训练一次专用的呼吸暂停事件检测模型。在训练期间,应用了与配置A中相同的逻辑回归分类方案和特征选择策略。
在测试阶段,重点是通过应用特定于睡眠阶段的呼吸暂停检测模型来研究呼吸暂停检测准确性的提高。为了测试在给计时期内是否发生了呼吸暂停事件,将与该时期相关的参考阶段用于选择适当的睡眠阶段特定的呼吸暂停检测模型。换句话说,模拟了一个假设的完美睡眠阶段分类器,而不是利用实际特征数据训练的睡眠阶段分类器。同样在这种情况下,对于每个第k重,从获得的呼吸暂停类别概率估计值构建ROC曲线。这种性能评估方案相当于按参考睡眠阶段划分测试数据,并按每个睡眠阶段类别评估呼吸暂停检测性能。
结果显示为10重ROC信号的曲线,即真阳性率与假阳性率的曲线。该图示也了针对10重的线,单位梯度线(虚线)和所有10重的平均图(也是虚线)。
图6显示了针对测试集的配置集A的结果(与睡眠阶段无关的呼吸暂停检测),所述测试集包含源自睡眠阶段R的测试实例(时期)。图7示出了配置B的相应结果(呼吸暂停检测考虑了睡眠阶段),再次针对睡眠阶段R。
图8示出了针对测试集的配置集A的结果(与睡眠阶段无关的呼吸暂停检测),所述测试集包含源自睡眠阶段N1的测试实例(时期)。图9示出了再次针对睡眠阶段N1的配置B(呼吸暂停检测考虑了睡眠阶段)的相应结果。
图10示出了针对测试集的配置集A的结果(与睡眠阶段无关的呼吸暂停检测),所述测试集包含源自睡眠阶段N2的测试实例(时期)。图11示出了再次针对睡眠阶段N2的配置B(呼吸暂停检测考虑了睡眠阶段)的相应结果。
图12示出了针对测试集的配置集A的结果(与睡眠阶段无关的呼吸暂停检测),所述测试集包含源自睡眠阶段N3的测试实例(时期)。图13示出了再次针对睡眠阶段N3的配置B(呼吸暂停检测考虑了睡眠阶段)的相应结果。
图14显示了针对测试集的配置集A的结果(与睡眠阶段无关的呼吸暂停检测),所述测试集包含源自睡眠阶段W的测试实例(时期)。图15示出了配置B的相应结果(呼吸暂停检测考虑了睡眠阶段),再次针对睡眠阶段W。
下表1概述了通过ROC曲线下的平均面积(曲线下面积,AUC)测得的每个睡眠阶段类别的呼吸暂停预测准确性,所述ROC曲线下的平均面积是由配置A和B中获得的10重交叉验证响应构造的。
表1
睡眠阶段 | 配置A(AUC%) | 配置B(AUC%) |
W | 72 | 74 |
N1 | 73 | 77 |
N2 | 82 | 83 |
N3 | 89 | 90 |
R | 71 | 78 |
结果清楚地表明,与应用通用(非睡眠阶段特定)呼吸暂停检测系统的系统相比,应用睡眠阶段特定的呼吸暂停检测模型优于呼吸暂停事件检测准确性。
在测试的睡眠阶段中,通过验证配置B获得的ROC曲线通常具有较低的变化,并且在配置A中的曲线通常更接近表示随机猜测线的ROC空间的对角线。此外,与配置A的结果相比,在配置B中获得的每个评估的睡眠阶段类别的AUC值通常更高。
在上面的示例中,呼吸暂停和非呼吸暂停之间存在区别。基于不同的结果HRV模式,可以扩展检测以区分呼吸暂停和呼吸不足,以及OSA和CSA。例如,如上所述,由于存在或不存在呼吸努力是区分这两种呼吸暂停事件的关键因素,其他PPG特征,特别是那些与呼吸努力的替代测量有关的特征,可以用来区分OSA和CSA。
上面的详细示例涉及睡眠阶段的识别。然而,如上所述,本发明更一般地涉及任何中间特性,其然后使得能够在多个更定制的呼吸暂停检测算法之间进行选择。如上所述,可能存在相干HRV特征的群集或组,然后它们可以映射到用于呼吸暂停检测的单独算法。这将避免需要实际的睡眠阶段分类。两阶段呼吸暂停检测方法仍将提供改善的呼吸暂停检测准确性。
如上所述,系统利用处理器来执行数据处理。处理器可以用软件和/或硬件以多种方式实现,以执行所需的各种功能。处理器通常采用一个或多个微处理器,可以使用软件(例如,微代码)对其进行编程,以执行所需的功能。处理器可以实现为用于执行一些功能的专用硬件与用于执行其他功能的一个或多个编程的微处理器和相关联的电路的组合。
可以在本公开的各种实施例中使用的电路的范例包括但不限于,常规微处理器,专用集成电路(ASIC)和现场可编程门阵列(FPGA)。
在各种实现方式中,处理器可以与一个或多个存储介质相关联,诸如易失性和非易失性计算机存储器,诸如RAM,PROM,EPROM和EEPROM。存储介质可以编码有一个或多个程序,所述程序当在一个或多个处理器和/或控制器上运行时执行所需的功能。各种存储介质可以固定在处理器或控制器内,或者可以是可转移的,使得存储在其上的一个或多个程序可以加载到处理器中。
本领域技术人员通过研究附图、公开内容以及权利要求书,在实践请求保护的本发明时能够理解并且实现对所公开的实施例的其他变型。在权利要求中,“包括”一词不排除其他元件或步骤,并且词语“一”或“一个”不排除多个。尽管特定措施是在互不相同的从属权利要求中记载的,但是这并不指示不能有利地使用这些措施的组合。权利要求书中的任何附图标记不应被解释为对范围的限制。
Claims (14)
1.一种用于检测睡眠呼吸暂停的系统,包括:
生理传感器(10),其用于生成用于检测睡眠呼吸暂停的传感器信号;
处理器(11),其适于:
确定睡眠阶段或接收对睡眠阶段的识别作为输入;并且
使用检测算法基于所述传感器信号来检测呼吸暂停事件,所述检测算法是取决于所述睡眠阶段从检测算法的集合中选择的,所述检测算法的集合包括针对不同的非清醒睡眠状态的至少两种检测算法。
2.根据权利要求1所述的系统,其中,所述处理器适于根据从所述传感器信号(S)导出的心率变异性信息来确定睡眠阶段。
3.根据前述权利要求中的任一项所述的系统,其中,所述生理传感器(10)包括PPG传感器和/或ECG传感器。
4.根据前述权利要求中的任一项所述的系统,其中,所述处理器(11)适于:
从所述传感器信号中提取心跳计时;
导出搏动间隔时间系列;并且
从所述搏动间隔时间系列中提取心率变异性信息。
5.根据前述权利要求中的任一项所述的系统,其中,所述处理器(11)适于:
将所述传感器信号采样为时间范围的序列;
从每个时间范围中提取所述传感器信号的第一特征,例如,心率变异性特征;并且
根据所述第一特征来确定针对每个时间范围的睡眠阶段。
6.根据权利要求5所述的系统,其中,所述处理器(11)适于:
针对每个时间范围,选择要针对从所述传感器信号中识别睡眠呼吸暂停使用的呼吸暂停分类模型,所述选择取决于先前确定的睡眠阶段;
从每个时间范围提取所述传感器信号的第二特征;并且
根据所述第二特征并且根据所选择的呼吸暂停分类模型来确定呼吸暂停状态或非呼吸暂停状态。
7.根据权利要求6所述的系统,其中,所述第二特征是使用取决于先前识别的睡眠阶段的模型来提取的。
8.根据权利要求6或7所述的系统,其中,所述第二特征包括心率变异性信息。
9.一种用于检测睡眠呼吸暂停的方法,包括:
(40)生成用于在检测睡眠呼吸暂停中使用的传感器信号;
(42)确定对象在睡眠期间的睡眠阶段或接收对所述睡眠阶段的识别作为输入;并且
(44)通过取决于所述睡眠阶段从检测算法的集合中选择检测算法来基于所述传感器信号检测呼吸暂停事件,所述检测算法的集合包括针对不同的非清醒睡眠状态的至少两种检测算法。
10.根据权利要求9所述的方法,其中,所述方法包括根据从传感器信号导出的心率变异性信息来确定所述睡眠阶段。
11.根据权利要求9或10所述的方法,包括:
从所述传感器信号中提取心跳计时;
导出搏动间隔时间系列;并且
从所述搏动间隔时间系列中提取心率变异性信息。
12.根据权利要求9至11中的任一项所述的方法,其中,
将所述传感器信号采样为时间范围的序列;
从每个时间范围中提取所述传感器信号的第一特征;并且
根据所述第一特征来确定针对每个时间范围的睡眠阶段。
13.根据权利要求12所述的方法,包括:
针对每个时间范围,选择要用于在从所述传感器信号中识别睡眠呼吸暂停中使用的呼吸暂停分类模型;
使用取决于先前识别的睡眠阶段的模型来从每个时间范围中提取所述传感器信号的第二特征;并且
根据所述第二特征并且根据所选择的呼吸暂停分类模型来确定呼吸暂停状态或非呼吸暂停状态。
14.一种包括计算机程序代码模块的计算机程序,当所述程序在计算机上运行时,所述计算机程序代码模块适于实施根据权利要求9至13中的任一项所述的方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP18160523.9A EP3536225A1 (en) | 2018-03-07 | 2018-03-07 | Sleep apnea detection system and method |
EP18160523.9 | 2018-03-07 | ||
PCT/EP2019/055557 WO2019170734A1 (en) | 2018-03-07 | 2019-03-06 | Sleep apnea detection system and method |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111867450A true CN111867450A (zh) | 2020-10-30 |
Family
ID=61626906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980017591.4A Pending CN111867450A (zh) | 2018-03-07 | 2019-03-06 | 睡眠呼吸暂停检测系统和方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20200405222A1 (zh) |
EP (2) | EP3536225A1 (zh) |
JP (1) | JP2021517008A (zh) |
CN (1) | CN111867450A (zh) |
WO (1) | WO2019170734A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022183999A1 (en) * | 2021-03-01 | 2022-09-09 | Belun Technology (Ip) Company Limited | Evaluation of sleep data |
CN117257240A (zh) * | 2023-11-15 | 2023-12-22 | 天津大学 | 睡眠呼吸暂停与低通气事件识别方法 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111248859A (zh) * | 2019-12-27 | 2020-06-09 | 黄淮学院 | 基于卷积神经网络的睡眠呼吸暂停自动检测方法 |
EP3875026A1 (en) | 2020-03-03 | 2021-09-08 | Koninklijke Philips N.V. | Sleep apnea detection system and method |
CN113509145B (zh) * | 2020-04-10 | 2023-03-10 | 华为技术有限公司 | 睡眠风险监测方法、电子设备及存储介质 |
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 |
CN113576401A (zh) * | 2021-06-11 | 2021-11-02 | 广东工业大学 | 基于卷积神经网络的睡眠呼吸暂停综合征快速诊断装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1736324A (zh) * | 2005-07-26 | 2006-02-22 | 中国人民解放军空军航空医学研究所 | 用于获取呼吸紊乱指数信息的检测处理方法及装置 |
US20060235315A1 (en) * | 2002-09-19 | 2006-10-19 | Solange Akselrod | Method, apparatus and system for characterizing sleep |
US20080033304A1 (en) * | 2006-07-19 | 2008-02-07 | Yousufali Dalal | Sleep state detection |
CN103717125A (zh) * | 2011-05-18 | 2014-04-09 | V视股份有限公司 | 用于确定人的睡眠和睡眠阶段的系统和方法 |
US20150164238A1 (en) * | 2013-12-16 | 2015-06-18 | Blue Ocean Laboratories, Inc. | Mattress health monitoring |
CN106361277A (zh) * | 2016-08-26 | 2017-02-01 | 中山大学 | 一种基于心电信号的睡眠呼吸暂停综合征的评估方法 |
US20170055898A1 (en) * | 2015-08-28 | 2017-03-02 | Awarables, Inc. | Determining Sleep Stages and Sleep Events Using Sensor Data |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050054940A1 (en) * | 2003-04-23 | 2005-03-10 | Almen Adam J. | Apparatus and method for monitoring heart rate variability |
US7460899B2 (en) * | 2003-04-23 | 2008-12-02 | Quiescent, Inc. | Apparatus and method for monitoring heart rate variability |
JP6940414B2 (ja) * | 2015-04-20 | 2021-09-29 | レスメッド センサー テクノロジーズ リミテッド | 特性信号から人間の検出及び識別 |
TWI725255B (zh) * | 2017-11-20 | 2021-04-21 | 金寶電子工業股份有限公司 | 可偵測睡眠呼吸中止的穿戴式裝置及其信號分析方法 |
-
2018
- 2018-03-07 EP EP18160523.9A patent/EP3536225A1/en not_active Withdrawn
-
2019
- 2019-03-06 CN CN201980017591.4A patent/CN111867450A/zh active Pending
- 2019-03-06 WO PCT/EP2019/055557 patent/WO2019170734A1/en unknown
- 2019-03-06 US US16/977,595 patent/US20200405222A1/en active Pending
- 2019-03-06 JP JP2020546078A patent/JP2021517008A/ja active Pending
- 2019-03-06 EP EP19708545.9A patent/EP3761852A1/en active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060235315A1 (en) * | 2002-09-19 | 2006-10-19 | Solange Akselrod | Method, apparatus and system for characterizing sleep |
CN1736324A (zh) * | 2005-07-26 | 2006-02-22 | 中国人民解放军空军航空医学研究所 | 用于获取呼吸紊乱指数信息的检测处理方法及装置 |
US20080033304A1 (en) * | 2006-07-19 | 2008-02-07 | Yousufali Dalal | Sleep state detection |
CN103717125A (zh) * | 2011-05-18 | 2014-04-09 | V视股份有限公司 | 用于确定人的睡眠和睡眠阶段的系统和方法 |
US20150164238A1 (en) * | 2013-12-16 | 2015-06-18 | Blue Ocean Laboratories, Inc. | Mattress health monitoring |
US20170055898A1 (en) * | 2015-08-28 | 2017-03-02 | Awarables, Inc. | Determining Sleep Stages and Sleep Events Using Sensor Data |
CN106361277A (zh) * | 2016-08-26 | 2017-02-01 | 中山大学 | 一种基于心电信号的睡眠呼吸暂停综合征的评估方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022183999A1 (en) * | 2021-03-01 | 2022-09-09 | Belun Technology (Ip) Company Limited | Evaluation of sleep data |
CN117257240A (zh) * | 2023-11-15 | 2023-12-22 | 天津大学 | 睡眠呼吸暂停与低通气事件识别方法 |
CN117257240B (zh) * | 2023-11-15 | 2024-02-23 | 天津大学 | 睡眠呼吸暂停与低通气事件识别方法 |
Also Published As
Publication number | Publication date |
---|---|
EP3536225A1 (en) | 2019-09-11 |
US20200405222A1 (en) | 2020-12-31 |
WO2019170734A1 (en) | 2019-09-12 |
EP3761852A1 (en) | 2021-01-13 |
JP2021517008A (ja) | 2021-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11751803B2 (en) | Sleep apnea detection system and method | |
CA2721154C (en) | Non-invasive method and apparatus for determining light-sleep and deep-sleep stages | |
US7794406B2 (en) | Detection of cardiac arrhythmias using a photoplethysmograph | |
CN111867450A (zh) | 睡眠呼吸暂停检测系统和方法 | |
JP5961235B2 (ja) | 睡眠/覚醒状態評価方法及びシステム | |
AU2010239127B2 (en) | Discrimination of Cheyne -Stokes breathing patterns by use of oximetry signals | |
Lazazzera et al. | Detection and classification of sleep apnea and hypopnea using PPG and SpO $ _2 $ signals | |
JP7104076B2 (ja) | 睡眠統計を決定する方法及び装置 | |
WO2008029399A2 (en) | Detection of heart failure using a photoplethysmograph | |
Shah | Vital sign monitoring and data fusion for paediatric triage | |
Long | On the analysis and classification of sleep stages from cardiorespiratory activity | |
Jose | Review on obstructive sleep apnea detection using ecg signals | |
Fonseca | Home sleep monitoring | |
Sadr Lahijany | Multimodal Signal Processing for Diagnosis of Cardiorespiratory Disorders | |
Chuang | Quantification of Nocturnal Blood Pressure Oscillations in Obstructive Sleep Apnea Patients | |
Kheirkhah Dehkordi | Monitoring sleep and sleep breathing disorders using pulse oximeter photoplethysmogram |
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 |