多信息交互的睡眠呼吸暂停综合症无扰检测系统

董雪虎，吴燕玲,宋全军

(1.安徽大学电气工程与自动化学院， 安徽 合肥 230601；2.中国科学院合肥智能机械研究所，安徽 合肥 230031)

0 引言

随着社会的发展、医疗水平的提高，越来越多的人关注睡眠问题。人睡觉时发出的鼾声会对睡眠产生最直接的影响，其中对人体危害严重的是睡眠呼吸暂停综合症(sleep apnea syndrome，SAS)。SAS是指人体在夜间睡眠时，口腔或者鼻腔发生了气流停止的症状，并且症状持续时间在10 s以上，次数超过30次[1]。此病发生在夜间，不易被发现，但却对人身健康造成极大的危害。因此，对这一疾病的预防与诊断十分重要[2-3]。

目前，睡眠呼吸暂停综合症诊断的标准[4]——多导睡眠图(polysomography，PSG)，可以记录睡眠中的脑电图、心电图、口鼻气流、血氧饱和度、鼾声、体位、胸腹呼吸运动和肢体运动等多项生命指征。但多导睡眠仪操作复杂，需要专业医师诊断，且用户的睡眠质量会受到影响，所以不能广泛普及家庭[5]。

鼾声检测主要针对患者的鼾声特征进行研究与判断，获取鼾声只需一组无接触式麦克风和数据记录装置。目前，多数鼾声研究者主要从鼾声的时域和频域参数着手，采用均值、标准差、共振峰特征及概率阈值等为鼾声特征，研究方法不尽相同。如Sola-Soler J和Jane R等[6]对鼾声在频域内进行处理,运用AR模型对鼾声的功率谱进行估计，发现正常人鼾声的共振峰分布相对稳定。而患者无论是正常呼吸，还是呼吸暂停时的鼾声共振峰分布，都不太稳定。

由于PSG检查的诸多不便，国内外许多专家学者开始研究睡眠呼吸，从单一或少量的生理信号(鼾声、心电等)中获取SAS的特征信息，虽取得一定的成果，但单一信号分析的难度比较大且结果的准确性难以保障，无法达到标准的要求。本文采用多传感器融合的方法，简化PSG检测过程，同时兼顾人体鼾声、心率、呼吸率和睡姿等生理信息。本文设计的系统可以准确检测用户是否患有SAS，并对SAS严重程度进行量化分级，生成相应的健康报告。

1 系统数据采集

1.1 鼾声强度

SAS的一个显著特征就是打鼾的过程中突然停止，持续10 s以上，可采用六麦克风阵列采集鼾声强度。利用麦克风阵列的空域滤波特性，对拾音波束区域内的声音信号进行加强，对拾音波束区域外的环境噪声进行抑制[7-8]，以保证较高的声音质量。麦克风阵列拾音示意图如图1所示。

图1 麦克风阵列拾音示意图Fig.1 Microphone array schematic diagram

本文采用六麦克风阵列拾音距离达可到5 m，360°语音信号采集，并能通过声源定位来确定目标声音的方向。

采集鼾声信号处理过程如下。

①读取鼾声信号。

y(n)=s(n)+d(n)

(1)

式中：y(n)为混合后的鼾声信号；s(n)为纯鼾声信号；d(n)为环境噪声信号。

②维纳(Wiener)滤波。

(2)

式中：S(n)为滤波器输出信号；h(n)为传递函数。

根据维纳滤波最小均方误差原则，通过选取传递函数h(n)，使得鼾声信号s(n)和输出信号S(n)的均方误差ε=E[{s(n)-S(n)}2]取到最小值时，可以最大程度地消除噪声信号d(n)。

③傅里叶变换和对数转换，求出鼾声的分贝值。

1.2 心率和呼吸率

心率和呼吸率也是判断呼吸暂停的重要参数。多导睡眠仪利用心电信号采集心率，在使用者身体上贴若干电极。为了提高采集信号的精度，信号电极和参考电极需在人体躯干上相隔足够远的空间距离，通常选择胸部相隔较远的两处或左右手。利用血氧饱和度测量呼吸率的方法干扰人的正常睡眠，不能用于长期跟踪记录人体的身体状况。本系统采用基于光强度的高精度微弯型光纤传感器采集心率呼吸率，光纤传感器示意图如图2所示。整个传感器用纤维织物包裹。

图2 光纤传感器示意图Fig.2 Schematic diagram of fiber optic sensor

外力作用在微弯型光纤传感器时，光纤发生弯曲，引起光在光纤内传播路径发生变化，产生光的损耗，导致光强度的变化。光纤传感器结构如图3所示。

图3 光纤传感器结构图Fig.3 Structure diagram of fiber optic sensor

图3中：F为外部作用力；d为网格纤维直径；w为网格纤维间距。

光纤传感器采用胡峻浩等人[9]设计的单变形结构采集人体的生命特征，通过监测光纤两端光的强度变化，获取心率和呼吸率等生理信号。当无人躺在光纤微弯传感器[10]上时，光纤处于无弯曲状态，光损耗最小甚至为零，此时接收器得到的光强度近似一条直线。当有人躺在传感器上时，由于受到自身重力的作用，光纤发生弯曲，光在传递过程中造成损耗，接收器端光强度减弱。除却自身重力的作用，还有两个关键因素影响光强度的变化：一是身体宏观运动(肢体运动)会引起光纤传感器所受作用力的变化，使光强度发生变化，光强度信号的变化幅度较大、频率较低；二是人体的微观运动(心脏跳动和胸部舒张)对光的强度变化影响较小，其中心脏跳动比呼吸产生光的强度变化信号振幅较小、频率较高。光纤传感器检测心率、呼吸率信号主要受人体微观运动的影响。光强度变化曲线如图4所示。

图4 光强度变化曲线Fig.4 Luminous intensity changing curve

1.3 人体睡姿

睡姿识别目前大致可分为两种方法。一是利用计算机视觉与模式识别进行人体睡姿识别。叶荫球、姜太平等[11]提出基于水平集方法和神经网络的人体睡姿识别，能够实现四种睡姿的辨别。但是该方法在夜晚光线比较差的条件下效果不好，而且还涉及个人隐私问题。二是采用柔性压力阵列传感器监测睡眠姿势。任志斌等[12]提出基于模糊粗糙集的睡姿压力图像识别，实现了六种睡姿的辨别。但该方法计算量较大，不易实现。

本文基于柔性压力阵列传感器实现睡姿实时识别，将柔性压力阵列传感器的实时压力数据看作一幅动态变换的数字图像[13-14 ]。柔性压力传感器在t时刻的采样信息F(t)可以用式(4)所示的矩阵形式来表示。

(4)

式中：M和N分别为柔性压力传感器的行数和列数；fij(t)为传感器第i行第j列的敏感点(i，j)在t时刻的采样压力值。

本文使用的柔性压力阵列传感器尺寸为：长120 cm×宽80 cm，总敏感点数为120行×80列，测量范围标称值为0～60 N/cm2。将t时刻二维矩阵F(t)的压力数据转换成数字图像处理中的一帧单通道灰度图，借助数字图像中的高斯滤波、形态学、边沿提取等算法得到如图5所示的预处理后轮廓图。

图5 预处理后轮廓图Fig.5 Preprocessed outline diagram

轮廓图大致分为三个部分：上半身、臀部、双腿部。根据这几个部位的压力分布情况，识别人体睡姿的步骤如下。

①统计每帧图像中轮廓的个数Sum，判断Sum的数值。

②如果Sum>3，则此时睡姿为仰卧；否则睡姿为侧卧。

③计算上半身区域轮廓的质心G1(x,y)和其对应的矩形框的质心G2(x,y)，然后计算纵坐标差Δy=G1(y)-G2(y)。

④如果Δy>0，则此时睡姿为左侧卧；如果Δy<0,则此时睡姿为右侧卧；其他情况视为无效。

睡姿测试结果如表1所示。

表1 睡姿测试结果Tab.1 Test results of sleeping posture

2 系统数据分析

将采集到的睡姿、心率、呼吸率、鼾声数据传递到上位机，并实时记录并分析各项数据，统计呼吸暂停的次数以及发生呼吸暂停时的睡姿信息。系统数据分析流程如图6所示。

图6 系统数据分析流程图Fig.6 Flowchart of system data analysis

一方面，由于睡眠呼吸暂停发生后呼吸困难，心率会迅速上升；另一方面，即使心率处于正常水平，鼾声过大也表明正常呼吸受阻。因此，综合考虑心率和鼾声数据可以更准确的评估睡眠风险。在不同睡眠姿态下，其睡眠风险是有差异的。本研究中呼吸暂停综合征量化分级模型计算三种睡姿(左侧位、右侧位和仰卧位)的心率数据和鼾声数据：

HL=αRHr+βRSnore

(5)

Hr=αRHr+βRSnore

(6)

Hm=αRHr+βRSnore

(7)

RHr=ζ(Hrt-Hr0)

(8)

RSnore=ξ1(ft-f0)+ξ2(At-A0)

(9)

H=Max{HL，Hr，Hm}

(10)

式中：α、β为风险因子；RHr为心率风险指数；RSnore为鼾声指数；HL为左侧位睡姿睡眠风险指数；Hr为右侧位睡姿睡眠风险指数；Hm为仰卧位睡姿睡眠风险指数；Hrt为实时心率；Hr0为睡眠时正常安静心率；ζ为心率风险系数；ft为实时鼾声频率；f0为正常安静鼾声频率；At为实时鼾声波幅；A0为正常安静鼾声波幅；ξ1、ξ2为鼾声风险系数。

通过对三种睡姿的睡眠风险指数进行计算，依据式(10)选取三种睡姿中最大的睡眠风险指数作为测试人员的睡眠风险指数。

3 系统测试试验

由于SAS是伴随睡眠的一种症状，需要长时间监测。为了方便用户查看监测过程系统提供了丰富的显示界面和查看历史数据功能。十名自愿者(其中五名患者)晚上8 h睡眠的测试结果如表2所示。

表2 测试结果Tab.2 Test results

4 结束语

针对SAS对人睡眠质量的影响，本文综合人体睡姿、心率、呼吸率、鼾声强度等生理信息，经过大量的试验和分析得到较完善的SAS评估模型。但该SAS无扰检测系统也存在不足之处，易受环境噪声干扰，这也是接下来需重点改善的问题。该检测系统在准确性比较弱，但使用的便捷性和舒适性占有绝对优势，能够满足家庭日常使用及预防SAS。