一种非接触呼吸暂停检测技术的研究

祁富贵，李川涛，张华，李盛，王健琪，路国华

第四军医大学 a.研究生管理大队2014级硕士队；b.生物医学工程学院电子学教研室，陕西 西安 710032

一种非接触呼吸暂停检测技术的研究

祁富贵a，李川涛b，张华b，李盛b，王健琪b，路国华b

第四军医大学 a.研究生管理大队2014级硕士队；b.生物医学工程学院电子学教研室，陕西 西安 710032

为了实现在低生理和心理负荷条件下睡眠呼吸暂停的非接触检测，本文首先利用生物雷达实现了对人体呼吸信号的非接触采集，然后通过函数模拟构造伴有呼吸暂停的呼吸仿真信号，提出基于时域的能量谱法和基于小波域的小波信息熵谱法，最后根据两种算法的准确率提出综合判断方法，最终实现了对睡眠呼吸暂停的非接触检测。实验结果表明，利用能量法与小波信息熵法按权重综合判断睡眠暂停，能够较准确地判断阻塞性睡眠的呼吸暂停次数，为非接触睡眠呼吸暂停辅助诊断奠定技术基础。

生物雷达；呼吸暂停；非接触检测；能量谱；小波信息熵

0 前言

睡 眠 呼 吸 暂 停 综 合 症（Sleep Apnea Syndrome，SAS）又称睡眠呼吸暂停低通气综合征，是现代社会中一种发病率高且具有潜在危险的呼吸 疾病[1-2]。由于呼吸暂停时通气量会降低甚至停止，人体血氧饱和度（SpO2）也会下降，因此呼吸暂停的长期频繁发生会对人体造成严重伤害，甚至危及生命。因此对睡眠过程中的呼吸暂停进行判断和危险预警就显得极其重要。研究表明，阻塞性睡眠呼吸暂停低通气综合征（Obstructive Sleep Apnea Hypopnea Syndrome，OSAHS）患者中，约有 93%的女性和 82%的男性没有得到诊断，2% ～26%的成年人受到该病的影响[3]，当前急需提高该病的诊断率，研究和规范相关诊疗方法。

美国睡眠协会研究发现，呼吸信号的检测对诊断 SAS有重要的价值。目前常用于检测睡眠呼吸暂停的方法分为接触式和非接触式两大类。接触式检测方法主要利用压力传感器、温度传感器和阻抗法等，通过传感器和人体接触以获得人体睡眠信号，典型代表有多导睡眠图法（PSG）和腕式活动记录仪等。非接触式检测方法主要利用床垫下压力传感器或微波传感器，非接触地检测人体睡眠呼吸信号，典型代表有红外线检测法和生物雷达检测法。

由于非接触式检测方法能够克服接触式检测方法限制人体自由、适用环境局限等缺点，能够给检测目标提供相对自由的检测环境[4]，实现低生理和心理负荷下的呼吸信号检测，且适于家用，已渐渐成为研究热点。生物雷达技术融合了生物医学工程及雷达技术，可通过非接触检测人体呼吸引起的胸腹部表面微动来实现呼吸信号的检测，应用范围广且更适用于战场等特殊环境下伤员和病人的呼吸信号检测[5]。本课题组在前期研究中已经进行了雷达非接触检测的呼吸信号和心跳信号分离算法的研究[6]，实现了呼吸信号和心跳信号的较好分离。

本研究主要采用生物雷达传感器对呼吸信号进行非接触检测，利用算法进行睡眠呼吸暂停综合判断以及危险预警，为 SAS的辅助诊断提供科学依据。

1 材料与方法

1.1 生物雷达实验平台

本研究中，生物雷达采用本课题组自主研发的 24 GHz连续波雷达（最大辐射功率为 1 μW），其输出经过本课题组自主研发的硬件模拟滤波和放大等预处理模块后与PowerLab 系统（澳大利亚 ADINSTRUMENTS 公司生产）直接连接，通过其自带的 LabChart软件对数据进行采集和处理，将处理后的信号导入自编的基于小波信息熵法和能量法的综合判断软件中，进行睡眠呼吸暂停的综合判断和危险预警。

1.2 呼吸暂停仿真信号的构造

SAS主要分为阻塞性睡眠呼吸暂停综合征、中枢性睡眠呼吸暂停综合征以及混合性睡眠呼吸暂停综合征 3 类[7]。利用睡眠呼吸暂停的生理特点，结合张鹏飞[8]等对呼吸暂停信号的仿真模拟可知，呼吸暂停主要表现为以下4种情况： ① 呼吸运动幅值、频率均为零； ② 呼吸运动幅值降低，并且频率加快 ；③ 呼吸运动频率不变，但是幅值降低 50%以上 ；④ 呼吸运动幅值、频率均不确定。

选取采样频率为 100 Hz，呼吸暂停发生时间＞10 s，采用以下函数构造上述几种情况下的呼吸暂停信号，呼吸暂停发生时间设为 20 s：

由于呼吸暂停时呼吸信号复杂多变，通常并非为上述4种情况中的单一一种，因此本研究中仿真的呼吸暂停可由 x1、x2、x3、x4两两组合表示，即有 6 种组合。将 6 种呼吸暂停仿真信号隔段嵌入正常呼吸仿真信号 x=4cos(0.5πt)中，即可得到伴有呼吸暂停的模拟仿真呼吸暂停信号：

对以上构造的模拟仿真呼吸暂停信号加高斯白噪声，然后对其用小波信息熵法进行处理。

1.3 雷达采集呼吸暂停信号

实测实验中，人体平躺，与雷达正对，距离 1.2 m。每位受试者经过训练后尽可能模拟真实的正常呼吸和睡眠呼吸暂停。共采集 10位受试者的呼吸信号，每组呼吸暂停信号中包含 10 次呼吸暂停。本研究所选采样频率为 100 Hz，预处理低通滤波时截止频率为 0.9 Hz，采用滑动去直流去基线的方法去除信号的基线漂移。

2 呼吸暂停综合判断与危险预警算法分析处理

2.1 算法总体设计

呼吸暂停综合判断算法流程图，见图1。首先分别利用能量法和小波信息熵法对伴有呼吸暂停的呼吸仿真信号进行呼吸暂停判断，证明算法对呼吸暂停判断的有效性；然后分别利用能量法和小波信息熵法对雷达采集的实测呼吸暂停信号进行判断，得到各自的判断准确率；最后根据两种算法的判断准确率按权重综合判断，并利用单次连续呼吸暂停时间，结合危险时间阈值进行危险判断和报警触发。

图1 呼吸暂停综合判断与危险预警算法流程图

2.2 能量法

由于能量在时域内具有很好的叠加性，故本研究首先在时域内采用能量法进行呼吸暂停判断。能量计算公式为：

其中x为信号。在时域内，信号的能量与呼吸强度（即呼吸信号的幅值）成正比，它表示的是呼吸信号的强弱。取时窗长度为L，计算各时窗内的能量值，就可以得到信号在时域上的能量谱。在发生呼吸暂停时，信号的强度比正常呼吸信号的强度小，其能量值也小于正常信号。故以能量谱为特征值可以将呼吸暂停有效地判断出来。

2.3 小波信息熵法

小波信息熵是信息熵和小波能谱相结合的产物，它可以更精确地表征非平稳信号的非线性局部变化，且具有更好 的低频 分辨率[9]。由于呼吸信 号属于低频非平 稳信号，呼吸暂停时信号的非平稳性和复杂度大于正常呼吸信号，故其小波信息熵值也大[10]。

小波信息熵法的步骤如下：

（1）对呼吸信号进行多分辨率分析的小波变换。

（2）按公式 (6)计算某一尺度下小波变换后呼吸信号的能量：

其中 Dj(k)为 j尺度下小波重构系数，N 为采样点长度，E=[E1,E2,E3…Ej]为呼吸信号 x(n)在 j个尺度上的小波能谱。

（3）按公式 (7)计算呼吸信号的小波信息熵 ：

其中 Pj表示信号在不同尺度下的能量分布情况。在发生呼吸暂停时，呼吸频率加快，紊乱度增加，其小波信息熵值也大于正常呼吸信号。

2.4 参考阈值的设定

利用能量法和小波信息熵法判断是否发生呼吸暂停时，需要相应的参量阈值作为判断标准。本研究采用自动阈值法得到信号特征值阈值曲线，具体设置如下：

在能量法中，本研究根据呼吸暂停定义设定能量阈值。根据第一届全国睡眠学术会议中关于呼吸暂停诊断标准的规定可知，呼吸暂停时口鼻气流量较基础水平降低 50% 以上，即口鼻处呼吸气流完全停止或通气量低于正常水平的50% 以上。因此，当呼吸信号的能量值下降到正常水平的50% 以上时，即可认为发生了呼吸暂停。本研究所设定的能量阈值即为正常水平的 1/2，即 q=0.5。在小波信息熵法中，由于并没有对呼吸暂停信号小波信息熵值的定义，我们通过大量采集包含有呼吸暂停的睡眠呼吸信号，通过对比实测人体呼吸信号中呼吸暂停和正常呼吸的小波信息熵值，结合经验并以提高判断准确性为原则，将小波信息熵阈值正常水平的 1.2 倍定义为参考阈值，即 q=1.2。

3 实验结果

3.1 仿真信号结果

构造的呼吸暂停仿真信号 xn加入高斯白噪声，信噪比设置为 -5 dB，按照图 1 所示的流程图对仿真信号进行处理，结果见图 2。其中， 图 2(a)为呼吸暂停仿真信号的波形，横坐标为采样点数，纵坐标为信号幅度 ；图 2(b)为采用能量法对呼吸暂停仿真信号的处理结果，横坐标为加窗个数，纵坐标为信号的能量，横线代表能量法参考阈值 ；图 2(c)为采用小波信息熵法对呼吸暂停仿真信号的处理结果，横坐标为加窗个数，纵坐标为信息熵值，横线代表小波信息熵法参考阈值 ；图 2(d)为两种方法判断呼吸暂停的输出结果，“1”代表呼吸暂停，“0”代表正常呼吸。

图2 呼吸暂停仿真信号处理结果

3.2 实测信号结果

对生物雷达采集到的实测呼吸暂停信号按照图1所示的流程图，分别利用能量法和小波信息熵法进行处理，窗长选定为 2048 点，叠加 50%。在能量法中，雷达所采集到的呼吸信号、能量谱、小波信息熵以及最终判断结果，见图 3。其中，图 3(a)为生物雷达实测呼吸信号的波形，横坐标为采样点数，纵坐标为信号的幅度 ；图 3(b)为采用能量法对实测呼吸信号的处理结果，横坐标为加窗个数，纵坐标为信号的能量 ；图 3(c)为采用小波信息熵法对实测呼吸信号的处理结果，横坐标为加窗个数，纵坐标为信息熵值；图 3(d)和 3(e)为两种方法判断呼吸暂停的输出结果，“1”代表呼吸暂停，“0”代表正常呼吸。

图3 实测呼吸信号两种方法的输出结果

3.3 综合判断和危险预警

3.3.1 综合判断

对于一段呼吸信号，分别利用能量法和小波信息熵法进行呼吸暂停判断，所得呼吸暂停次数分别记为 Hn和 H2。本研究对10位受试者进行模拟睡眠呼吸暂停呼吸信号的采集，并采用两种算法进行分析处理，最终得到两种方法呼吸暂停判断的准确度分别为 ：Pn=0.85，Ps=0.79。则按权重综合判断后呼吸暂停次数为：

利用生物雷达对呼吸信号进行采集并利用本算法进行分析处理，利用呼吸暂停次数H结合睡眠呼吸暂停的临床症状标准就可进行辅助诊断。

3.3.2 危险预警

对于一段呼吸信号，利用计数器对每次连续判断为呼吸暂停的时窗数进行累计，通过换算得出呼吸暂停时间，若超过危险时间阈值则触发报警器。

调查表明，若患者夜间睡眠过程中一次呼吸暂停时间＞120 s，则容易在凌晨发生猝死，故本研究的危险时间阈值设为 120 s。实验采用的时窗长度记为 L，采样率 fs=100 Hz，连续判断为呼吸暂停的时窗数记为n，由于算法中时窗叠加50%，则实际连续呼吸暂停时间为 ：

若两种方法中任意一种得出的单次连续呼吸暂停时间t ≥ 120 s，则触发报警器唤醒病人；t＜ 120 s，则继续检测。

4 总结

近年来，随着睡眠医学的不断发展，SAS 逐渐成为研究热点。目前，针对睡眠呼吸暂停的诊断主要采用睡眠过程中的多导睡眠监测（PSG）和食管压力测定两种方法，但这两种方法均需要通过多个传感器直接接触人体，限制了受试者的人体自由，增加了其心理压力，进而影响测量结果。本研究首先根据睡眠呼吸暂停的特点，利用函数模拟构造伴有呼吸暂停的睡眠呼吸仿真信号；其次，利用生物雷达实现对人体呼吸信号的采集并分别利用能量法和小波信息熵法对采集的呼吸信号进行呼吸暂停判断，并根据两种算法按权重进行综合判断；最后，利用计数器对每次连续判断为呼吸暂停的时窗数进行累计，通过换算得出连续呼吸暂停时间，以危险时间阈值为标准，进行危险判断和触发报警。

本研究将能量法和小波信息熵法有效结合，得到了一种能够实现对睡眠呼吸暂停进行有效判断以及危险预警的算法，为睡眠呼吸暂停的诊断和临床监护奠定了理论基础。本研究结果表明 ：① 两种算法均可对睡眠呼吸暂停进行有效判断 ；② 能量法的判断精确度略高于小波信息熵法，这可能是因为能量法本身具有较好的抗干扰性，且小波信息熵对信号的平稳性更敏感，在觉醒状态下很难真实地模拟平稳的正常睡眠呼吸。

由于本研究没有考虑呼吸暂停时的幅度、频率，雷达与人体的距离和受试者睡姿对两种方法判断准确度的影响，算法对上述不同情况的适应性还有待研究。另外本研究中，样本量略微不足。在下阶段工作中，在解决以上问题的同时，还要利用阻塞性睡眠呼吸暂停患者的实测睡眠呼吸信号对算法进行检验并对算法进行完善，期望把睡眠呼吸暂停严重程度分级加入算法之中。

[1] 叶建明．脉搏血氧饱和度监测仪的原理及计量性能检测[J]．计量与测试技术,2005,(32):9-10．

[2] 叶志前,郑涛,裘利坚．睡眠监护技术的发展[J]．国外医学生物医学工程分册,2003,(6):244-248．

[3] Lettieri CJ,Eliasson AH,Andrada T,et al．Obstructive sleep apnea syndrome:are we missing an at-risk population[J]．J Clin Sleep Med,2005,1(4):381-385．

[4] 王健琪,薛慧君,吕昊,等．非接触生理信号检测技术[J]．中国医疗设备,2013,28(11):5-8．

[5] 李钊,王健琪,荆西京,等．用于生命探测的人体呼吸运动模拟系统研制[J]．医疗卫生装备,2010,31(3):40-41．

[6] 张华,孙娜娜,张鹏飞,等．雷达式非接触检测中呼吸和心跳信号分离算法的研究[J]．中国医疗设备,2013,28(11):9-11．

[7] 中华耳鼻咽喉头颈外科杂志编辑委员会,中华医学会耳鼻咽喉头颈外科学分会咽喉学组．阻塞性睡眠呼吸暂停低通气综合征诊断和外科治疗指南[J]．中华耳鼻咽喉科头颈外科杂志,2009,44(2):95-96．

[8] 张鹏飞,拜军,荆西京,等．一种基于能量谱非接触呼吸暂停检测技术的研究[J]．医疗卫生装备,2012,(11):13-15．

[9] 张景川,曾周末,赖平,等．基于小波能谱和小波信息熵的管道异常振动事件识别方法[J]．振动与冲击,2010,29(5):1-4．

[10] Al-Nashash HA,Thakor NV．Monitoring of global cerebral ischemia using wavelet entropy rate of change[J]．IEEE Transactions on Biomedical Engineering,2005,52(12):2119-2122．

Study on the Key Technique for Non-contact Sleep Apnea Detection

QI Fu-guia, LI Chuan-taob, ZHANG Huab, LI Shengb, WANG Jian-qib, LU Guo-huab
a. 2014 Master Class Under the Management of Postgraduate Department; b.Department of Electronics, School of Biomedical Engineering, The Fourth Military Medical University, Xi’an Shaanxi 710032, China

To realize the non-contact monitoring of the sleep apnea under low physical and mental load condition, a comprehensive method is used in this paper. First of all, the non-contact collection of human respiratory signals is conducted by bio-radar. Secondly, based on the construction of the simulated sleep apnea signals through functional simulation, the time-domain-based energy spectrum and the waveletdomain-based wavelet information entropy spectrum are proposed. Finally, according to the accuracy of these two methods, a comprehensive algorithm is put forward to realize the non-contact monitoring of the sleep apnea. The experimental results shows that the comprehensive judgement of the sleep apnea by using the energy spectrum and wavelet information entropy spectrum according to the weight of the accuracy can actually judge the apnea times of obstructive sleep. The comprehensive judgement method will lay the technical foundation of the non-contact aided-diagnosis of sleep apnea.

bio-radar; sleep apnea; non-contact monitoring; energy spectrum; wavelet information entropy

TN957.51

A

10.3969/j.issn.1674-1633.2014.12.007

1674-1633(2014)12-0024-04

2014-09-12

国家自然科学基金课题（61271102）。

路国华，副教授。

通讯作者邮箱：lugh1976@fmmu．edu．cn