睡眠监测系统监测方式及分类方法研究分析

，，，，，

1.上海理工大学医疗器械与食品学院(上海，200093)；2.上海健康医学院医疗器械学院(上海，201318)

0 引言

人一生约三分之一的时间花费在睡眠上。睡眠有助于人体进行细胞修复、疲劳解除、荷尔蒙分泌、能量储存以及记忆巩固等多项任务，是关乎健康状况的重要因素。睡眠出现问题，会对人们的生活质量产生严重影响，从而大大降低学习、工作效率。美国国立卫生研究院心肺血液研究所的数据表明： 睡眠质量不足增加了交通事故发生率、感冒感染风险，并与肥胖、心脏问题和学习障碍等相关。如今，外在因素普遍导致了人为的睡眠质量下降。2018年2月，PHILIPS对13个国家15 000余人进行调查研究结果表明： 全球成年人超过六成存在某种影响睡眠的医学问题，四分之一的成年人报告失眠，五分之一的人打鼾； 同时睡眠欠佳的后果包括疲乏、易怒、消极。长期以往，易造成严重的社会问题。因此，如何使人们能够在日常生活当中有效地进行睡眠监测，对睡眠质量进行评价，了解自身睡眠问题，为发现和治疗相关疾病创造首要条件，在睡眠医学中显得尤为重要。

本文通过对睡眠监测系统的功能实现方式与相关分类方法进行讨论与分析，最后结合市场状况探讨了睡眠监测系统的未来发展，为后续研究提供一定参考。

1 睡眠质量评价

睡眠质量评价主要取决于： (1)睡眠分期； (2)睡眠障碍。通过对睡眠分期和睡眠障碍的监测，可以有效了解个人睡眠质量的好坏。

1.1 睡眠分期

标准睡眠分期根据睡眠中脑电和眼球运动变化将睡眠划分为W期、N1期、N2期、N3期和REM期。准确的睡眠分期是进行睡眠质量评价和相关疾病诊断的首要条件。但在很多便携式设备中很难实现精确的分期，因此在基于商业开发及简单预测的原则上，诸多研究对睡眠分期进行简化，并将之与标准睡眠分期进行对比，从而评价睡眠质量。

1.2 睡眠障碍

睡眠障碍包括多种睡眠异常情况，其中部分可通过睡眠分期进行确定，但如阻塞性睡眠呼吸暂停低通气综合征(Obstructive Sleep Apnea Hypopnea Syndrome，OSAHS)等睡眠呼吸障碍，则需要通过其他方式监测。OSAHS是由睡眠期间上气道阻塞反复性发作导致的常见睡眠障碍，人群患病率高达1%～4%。研究表明，OSAHS与肥胖、糖尿病、高血压、心血管疾病等多种疾病相关[1]，症状严重时甚至会导致患者睡眠中猝死。因此，对于疑似OSAHS患者而言，通过睡眠监测系统对OSAHS进行预诊，确保后续治疗有效进行，是保证睡眠质量的有效途径。OSAHS在临床上主要表现为： (1)声音极大的持续性打鼾； (2)呼吸暂停低通气指数(Apnea/Hypopnea Index，AHI)大于阈值标准。通过睡眠监测系统对上述现象进行监测，是进行OSAHS预诊的有效方法。

2 睡眠监测方式

2.1 侵入式监测方式

2.1.1基于电极连接的监测方式

通过多电极连接的多导睡眠监测(Polysomnography，PSG)是睡眠监测行业中进行睡眠分期和OSAHS预诊的“黄金标准”。PSG通过电子放大技术，将神经元的自发性生理电信号放大记录，实现对人体电信号的检测，其检测参数包括： EEG、EOG、ECG、呼吸气流、胸腹呼吸功能、血氧饱和度等。从PSG中，睡眠医师可以实时观察使用者睡眠期间体内生理信号变化情况，并获得使用者的标准睡眠分期和OSAHS预诊情况。但使用PSG必须在睡眠中心由技术人员辅助进行，并在整晚检测后，由技术人员对睡眠记录进行观察、分析与注释。这导致PSG不仅会对使用者造成不便，且价格昂贵、浪费时间。此外，多电极连接和睡眠中心环境对使用者造成的干扰，也使得越来越多的人认为PSG不能反映真实睡眠质量[2]。

2.1.2基于体动记录仪的监测方式

通过体动记录仪对使用者的身体运动(Body Moving，BM)进行监测的方式，是替代PSG最常用的监测方式。市场上如小米、华为、Jawbone等可监测睡眠的智能手环正是通过体动记录仪实现睡眠监测。体动记录仪通过其内的三轴加速度传感器实时捕捉人体在x，y和z轴三个方向上的运动变化数据对睡眠进行监测[3]。在完成对各轴方向上数据的预处理后，通过式(1)即可以得到使用者的睡眠体动节律(BM)：

(1)

手环式睡眠监测设备根据监测到的BM数据将睡眠简单划分为清醒期、浅睡期和深睡期[3]。基于体动记录仪的手环监测方式作为一种商用产品，无法携带太多睡眠质量信息，既无法完成标准睡眠分期，也无法提供OSAHS预诊相关信息。但与PSG相比，体动记录仪用于睡眠监测无疑更简单，其成本低，对使用者睡眠的干扰性更小，并可进行数天到数周的连续监测。因此，体动记录仪用于睡眠监测更容易获取睡眠质量评价的大数据对比情况。

2.1.3基于脉搏血氧仪的监测方式

通过脉搏血氧仪实现睡眠监测也是睡眠医学中一种常用方法。脉搏血氧仪通过光电容积脉搏波描记法(Photoplethysmography，PPG)检测人体微动脉床内血液容积变化。其将红光或红外光光束照射进人体，由于氧合血红蛋白和去氧合血红蛋白间光衰减存在明显差异，所以光束衰减程度会随心脏搏动造成的外周血管血容量变化。脉搏血氧中携带大量生理信息，因此，通过脉搏血氧仪进行睡眠监测可成为睡眠分期及OSAHS预诊的有效方式[4]。大量研究通过脉搏血氧仪获取各种生理参数实现睡眠分期及OSAHS预诊。其中，Huang等[5]通过脉搏血氧仪获取的SpO2和脉率信息对呼吸暂停进行监测，从而实现OSAHS预诊。Casal等[6]通过脉搏血氧仪获取的心率数据确定患者的睡眠/清醒状态，并对OSAHS患者的AHI进行确定，实现对OSAHS严重程度的量化处理。但是，结合市场上睡眠监测系统使用情况看，基于脉搏血氧仪的监测方式虽然在睡眠质量评价有其独特优势，许多文献也提出了对相关方式方法的研究，但是其更多只用于实验室研究，未能用于家庭及个人使用。

2.2 非侵入式监测方式

为了减轻侵入式睡眠监测系统对人体造成的负担，研究人员又在侵入式睡眠监测方法基础上，不断对非侵入式睡眠监测方法进行开发，以期让使用者在更自由、舒适的环境下了解自身睡眠状况。

2.2.1基于力敏传感器的监测方式

基于力敏传感器的检测方式将分布有密集传感器阵列的电子织物层包裹在床垫的两层传统布质或棉质纺织品内。使用者躺在床垫上时，与床垫接触部分肢体的任何动作都会使压敏传感器产生压力变换，并转换成电信号输出。研究人员可根据所需信号决定压敏传感器阵列的大小，如Samy和Huang等[2，7]使用128×64的传感器阵列监测使用者与床垫之间的压力变换信号，从中提取呼吸率、体动等多种生理特征实现睡眠分期识别。而Pino等[8]则使用3×8的传感器布置方式进行监测，获取呼吸率和呼吸暂停等参数，完成睡眠分期。

睡眠床垫产品兼具舒适性与监测功能，既带来很好的使用感受，又可完成更细致的睡眠分期及OSAHS预诊。市场上该类产品有如美国杰西的床垫式睡眠监测设备，日本百利达的睡眠床垫等。但这类产品的价格在床垫价格上又有所提升，加之不便携带等因素，也成为许多人要考虑的问题。

2.2.2基于视频和音频的监测方式

视频监测方法通过摄像机或红外摄像机等设备对患者睡眠进行监控，依据监控视频对患者的睡眠分期进行分析。但由于涉及使用者的隐私问题，因此基于视频进行睡眠监测的研究逐渐减少。

睡眠期间由于肌肉放松导致上气道狭窄、呼吸音变大。基于音频的睡眠监测方式通过声音传感器获取使用者睡眠期间口鼻音用于处理分析。睡眠音频信号是进行OSAHS预诊最直观的方法。Dafna等[9]结合使用微型麦克风与数字音频录音器，完成对受试者的OSAHS预诊，实现了对睡眠和清醒状态82.1%的检测准确度。Ondrej等[10]则通过移动电话的内置声音传感器完成声音接收，并实现睡眠分期。

基于视频的监测方法由于涉及隐私问题，不论是在睡眠实验室环境还是在家庭环境中都较少使用。虽然基于音频的检测方法由于其在诊断睡眠呼吸暂停与打鼾等睡眠呼吸障碍上的高效性而得到了广泛研究，但在市场上依然很难看到该类产品。

2.2.3基于生物雷达的监测方式

生物雷达监测技术是融合雷达技术和生物医学工程技术于一体的新概念。其无需任何电极或传感器接触，即可在较远距离对生命体各项生理参数(呼吸、体动等)进行非接触式检测[11]。近年来，越来越多实验室与研究人员致力于生物雷达在睡眠医学上的应用研究。Hong等[12]设计了一种对呼吸、心跳、体动等睡眠信号进行测量的连续波生物雷达用于睡眠分期，验证了生物雷达用于长期睡眠监测的可行性。Du等[13]在现有的24 GHz雷达基础上提出了一种对睡眠期间的呼吸暂停进行检测的呼吸暂停雷达，其检测结果与PSG结果进行对比，实现了大于90%的检测准确度。Feng等[14]同样提出并完成了识别不同睡眠状态的睡眠监测系统，并达到了95.1%的识别准确度。

市场上的该类产品有如国内的“梦加睡眠监护仪”，日本的“欧姆龙睡眠仪”等。然而，这些产品虽然通过远程非侵入方式实现了监测，并且在整个监测过程中不对使用者产生任何影响，但是，其价格通常比较昂贵，产品难以在普通人群中推广。

3 信号分类方法研究

在睡眠监测系统的基础上，通过分类算法提高睡眠分期和OSAHS预诊准确度是睡眠监测系统进行睡眠质量评价的重要一步。本章对几种常用的分类方法及其使用进行讨论，包括KNN方法、SVM方法、RF方法以及ANN方法。

3.1 KNN方法

K最近邻(K-Nearest Neighbor，KNN)方法是模式分类方法中最古老最简单的方法之一。该方法是在数据集已有分类标签情况下，根据预设值，由选定的距离函数计算输入样本与数据集样本间相似度，并确定输入样本类别。KNN方法主要用于小样本分析。Thommandram等[15]发表的文章通过对比不同K值及不同距离函数的KNN分类器，根据多个临床可识别特征对3 947个胸部呼吸阻抗样本数据进行分类，将其分为呼吸暂停与非呼吸暂停两种类别，通过10折交叉验证法对系统的分类性能进行验证，得到91.2%准确率，88.1%特异性及95.7%灵敏度的结果。此外，Tuna等[16]通过结合KNN方法和PPG信号将睡眠分期分为睡眠和清醒两个分期，达到了89.46%的准确度，92.05%的灵敏度及87.19%的特异性。

3.2 SVM方法

支持向量机(Support Vector Machine，SVM)方法是在统计学习理论的基础上建立起来的机器学习算法。处理数据线性可分问题时，该方法通过优化算法找出特征空间中的最大间隔超平面； 处理数据线性不可分问题时，SVM方法则通过核函数将特征空间数据映射到高维空间，使原始特征空间在高维空间实现线性可分。在其结合使用上，Aboalayon等[17]提出并实现了结合使用线性核函数的多类SVM算法基于EEG信号进行睡眠分期。该研究通过“一对多法”构造了“5-SVM”分类器，并通过对EEG信号中特征值的分析，将睡眠分期划分为清醒期、1期、2期、3期、4期，实现92%的准确度。另外，Park等[18]提出将SVM分类器与动态分类器结合对BM数据进行处理，以减少基于阈值的处理方法带来的误分类，并达到88.94%的准确度。

3.4 RF方法

随机森林(Random Forest，RF)方法是集成学习思想下的一种用于分类和预测的模型。RF方法将多棵决策树整合，由决策树间的输出结果，投票决定样本最终类别。其克服了决策树的过拟合问题，能够对大数据集进行有效处理，并对噪声和异常值有较好容忍性，可处理具有高维特征的输入样本[19]。RF方法作为一种组合分类算法被广泛地应用于睡眠分期，鼾声识别。Rosenwein等[20]结合RF方法研发并验证了一款用于睡眠呼吸音自动检测的系统。该系统通过包含400棵决策树的RF分类器对84位患者在不同环境下使用不同设备记录的声音信号进行处理，其中每一棵决策树随机获取包括13个特征的子集，节点依据最佳特征进行分类，最终由决策树的多数票决定呼吸事件分类。其研究结合RF方法分别实现了实验室和家庭中91.2%和83.0%的分类准确度。随后，Rosenwein等[21]再次通过二分类RF分类器对通过非接触方式录取的186位成年人实验室和家庭环境中睡眠音频信号的呼吸暂停和低通气事件进行自动分割分类，并实现了86.3%的准确度。

3.5 ANN方法

人工神经网络(Artificial Neural Network，ANN)模仿人大脑的信息处理过程进行，其中包含大量的简单处理器——节点。节点相互连接，构成了输入层、隐藏层和输出层3个层级结构[22]。在计算处理过程中，每个节点都有一种特定输出，而两个节点间的连接则代表该特定输出在该方向所占权重。ANN方法通过该分布式结构完成类似人脑的并行计算，并在逐次计算中通过修改权重完成自我学习。Emoto等[23]结合ANN方法实现对低信噪比睡眠录音中低强度呼吸及打鼾事件进行检测，实现对OSAHS患者的筛选。其研究通过误差反向传播算法对分别具有5个节点输入层和输出层的三层感知器进行训练，并采用双曲正切函数和线性函数分别作为隐藏层和输出层激活函数，实现了低信噪比情况下可能在实际睡眠中出现的打鼾/呼吸事件和非打鼾/呼吸事件准确度达到75.1%的分类。Li等[24]结合ANN方法与脉搏血氧测定法研发并测试了一款新的睡眠障碍性呼吸筛查工具。其通过对AHI阈值的匹配，实现对睡眠障碍性呼吸严重程度的检测，并获得了良好的结果。

4 总结与展望

睡眠监测系统监测方式的比较，见表1。睡眠监测系统通过不同睡眠监测方式结合适宜分类方法实现睡眠分期与OSAHS预诊。非侵入式监测方式与侵入式监测方式相比，虽然产品舒适度和使用者接受度方面具有天然优势，但是，并不能以此定论哪一种监测方式是好的方式。今天的睡眠监测市场，虽然睡眠监测系统也在不断地朝着体积小、使用方便、价格亲民的方向发展，但是，通过结合不同的监测方式，辅以合适的分类方法，以实现更准确、更容易被使用者接受与信任的睡眠监测系统才是发展的重点。通过对六种睡眠监测方式的分析比较，可以看出，存在于睡眠监测系统的使用及市场上的一些问题，既缺少一种体积小，使用方便，价格亲民，在完成高准确度睡眠分期分类和OSAHS预诊同时又不会对使用者造成较大影响的睡眠监测设备。这种设备正亟待研究及实现。

表1 睡眠监测系统监测方式比较Tab.1 Comparison of the mode of sleep monitoring system