一种新型多参数睡眠质量评测系统的研制

李晨洋 ，叶继伦 , ，张旭 ,

1 深圳大学 生物医学工程学院，深圳市，518060

2 深圳市生物医学工程重点实验室，深圳市，518060

3 广东省生物医学信号检测与超声成像重点实验室，深圳市，518060

0 引言

据世界卫生组织调查结果显示，目前受生活和工作压力的影响，世界范围内有超过三分之一的人不同程度地出现失眠、严重嗜睡等睡眠问题。睡眠专家提醒，睡眠质量是影响人体生理机能健康与否的关键指标，持续的睡眠质量异常会引发人体一系列的生理疾病[1]。

随着睡眠呼吸相关疾病发病率的逐年升高，越来越多的人意识到睡眠质量的重要性。既然睡眠质量对人们的健康如此重要，如何对睡眠质量进行全面综合评测是当前人们面临的一个重要问题。本研究首先构建了一套可以同时采集鼻气流、鼾声、胸部呼吸、腹部呼吸、血氧、脉率、体位、脑电、眼动、下颌肌电、心电共11道生理信号的硬件采集系统。接着对采集到的整夜睡眠临床数据进行呼吸紊乱事件、心血管事件、醒觉反应事件以及睡眠期分阶的多事件融合算法的研究。对比系统算法分析的结果与睡眠专家的临床诊断及患者的主诉，结果表明本系统能够有效帮助睡眠医生对睡眠障碍患者的睡眠质量进行全面、有效的评价，且相关诊断分析结果也可为医生的治疗提供有效帮助。

1 睡眠质量检测原理与方案设计

1.1 睡眠质量检测原理

人体夜间睡眠质量的评测首先需要采集能够表征睡眠质量状态的生理信号，再结合基于多参数的算法研究结果，才能达到对睡眠质量进行评价的效果。临床实验表明：呼吸、血氧、脑电、肌电、眼动、心电等生理信号均与人体夜间的睡眠状态有密切的联系[2]。其中口鼻气流的检测，用于判别呼吸暂停事件与呼吸低通气事件；胸腹部呼吸运动的检测，用于判别呼吸暂停事件的类别；血氧饱和度与体位的检测，可以增加呼吸事件判别的准确性；鼾声信号的检测，能够对打鼾患者是否属于病态打鼾以及打鼾程度进行判别。脑电信号对于睡眠质量的评测是十分重要的，对睡眠分期、脑电醒觉反应的判定等事件均有重要意义；眼动与下颌肌电的检测可以辅助脑电信号对整夜睡眠活动进行准确的分期；心电信号的检测主要是用于对睡眠过程中的心血管事件进行分析。

1.2 系统整体设计

本睡眠质量评测系统硬件平台所需采集的人体生理信号种类繁多，且数据量较大。利用MCU1采集鼻气流、鼾声、胸腹部呼吸、体位与血氧信号，利用MCU2采集脑电、眼动、下颌肌电、心电信号。由主控平台接收MCU1与MCU2的数据再通过WiFi模块上传给PC端进行实时显示与存储。图1所示为本系统的整体框图。

图1 睡眠质量评测系统整体框图Fig.1 Overall block diagram of sleep quality evaluation system

2 系统硬件设计

本系统采用MPXV7007GP型压力传感器采集鼻气流与鼾声；MMA8451Q三轴加速度传感器采集胸腹部运动及体位信号；透射式血氧探头采集脉搏波信号；金杯状电极放置于特定位置采集脑电信号、眼动信号、下颌肌肌电信号；纽扣式电极采集人体的心电信号。其中压力传感器与加速度传感器采集到的信号经过模拟电路放大后，再经过MCU的AD转换为数字信号。而脑电、眼动、肌电等微弱信号的采集需要满足高共模抑制比，高输入阻抗，低噪声等特性，所以需要设计前级保护和防除颤电路，前级跟随电路，前置放大电路，滤波电路等模拟电路，再由MCU的AD转换电路转换成数字信号。

2.1 信号采集模块

口鼻呼吸气流与鼾声都是通过MPXV7007GP压力传感器进行采集的。系统选择AD8226对信号进行放大处理，其优点是具有高输入阻抗、低噪声[3]。运放的输出端经过7.2 Hz的一阶低通滤波电路，得到鼻气流呼吸信号。呼吸信号的检测原理图如图2所示。

图2 呼吸信号检测原理图Fig.2 Respiratory signal detection schematic

选用MMA8451Q型三轴加速度传感器，用于检测胸腹部呼吸运动与体位信号。该三轴加速度传感器为数字式传感器，需要驱动MCU的IIC通信协议。加速度传感器的外围电路如图3所示。

图3 加速度传感器外围电路Fig.3 Acceleration sensor peripheral circuit

2.2 前级和防除颤保护电路

脑电、肌电、眼动等微弱信号的采集均需要满足高共摸抑制比，高输入阻抗，低噪声等特性[4]。其中前级电路作用是直接获取由传感器采集到的信号，保护电路能够有效降低外部电刀、除颤等干扰对系统电路的影响，保证系统正常工作，提高系统的性能指标[5]。前级和防除颤保护电路如图4所示。

图4 前级和防除颤保护电路Fig.4 Preamp and anti-defibrillation protection circuit

2.3 前置放大电路

由于脑电等生理信号是双极差分信号，前置放大电路中选用仪表放大器能够有效抑制共模信号，提高系统的共模抑制比。如图5所示选用AD8421作为前置仪表放大器，其具有高共模抑制比、高输入阻抗、低噪声、低功耗等特性。

3 系统软件设计

系统的软件设计主要内容为底层驱动和显示存储界面。其中底层驱动设计主要包括驱动MCU的外设，进行数据的采集、预处理、部分算法设计以及数据传输等，其中比较关键的部分为主控板获取各MCU数据统一传送至PC端的过程，通过WiFi模块将统一打包的各通道数据实时传送给PC端，以确保系统采集各通道数据传输过程中的稳定性。

图5 前置放大电路Fig.5 Preamplifier circuit

显示及存储界面的设计实现是基于Visual Studio 2012软件平台开发设计的。主要实现的功能包括：患者及操作者的基本信息、各通道数据的实时显示、文本格式的数据存储、右键进入软件分析界面、控制底层平台人机交互等功能。如图6所示为单页5通道的波形监测界面。

图6 睡眠质量监测界面Fig.6 Sleep quality monitoring interface

4 系统算法设计

系统用来评价夜间睡眠质量的算法事件主要包括：睡眠呼吸暂停低通气综合征判定、睡眠期心血管事件判定、睡眠期脑电醒觉反应事件判定、睡眠期分阶研究。对这几类睡眠事件的判定结果综合分析，最终能够辅助睡眠医生对人体夜间的睡眠质量做出全面、客观的评价。

4.1 睡眠呼吸暂停低通气综合征

临床上一般将睡眠呼吸事件分为：呼吸暂停事件与呼吸低通气事件。成人呼吸暂停事件的判读标准是口鼻呼吸气流“暂停”的时间持续超过10 s及以上。其中根据口鼻气流暂停期间胸腹呼吸运动的变化状态，又可将呼吸暂停事件细分为阻塞性呼吸暂停事件、中枢性呼吸暂停事件、混合性呼吸暂停事件[6]。临床上一般将口鼻气流下降30%，同时伴有血氧饱和度降低4%且持续时间超过10 s以上的事件判读为成人呼吸低通气事件，低通气事件的细分判读规则及判读类型同呼吸暂停事件。

4.2 睡眠期心血管事件分析

临床研究提示，心率变异性和心律失常等事件对睡眠期心血管状态的研究及对睡眠质量评价同样具有重要的意义[7]。图7所示直方图是采用几何图形分析法分析心电信号得出的结果，其中图7（a）所示间期直方图的变化趋势反映夜间人体心率变化的情况；图7（b）所示间期差值直方图的变化趋势显示相邻心搏间期的差值变化情况。

4.3 睡眠期脑电醒觉反应事件分析

脑电醒觉反应事件的判别也能为睡眠质量的评价提供有价值的依据。临床观察发现患者由睡眠状态突然惊醒转换至清醒状态时一般伴随醒觉反应事件[6]。具体判别来说，脑电醒觉反应事件的发生是指夜间睡眠期脑电频率的突然性变化。判别过程中，NREM期主要依据脑电信号判读，REM期依据脑电和下颌肌电两种生理信号的同步判读。两种睡眠期醒觉反应事件的判读结果，如图8所示。

4.4 睡眠期的分阶研究

对睡眠期进行准确分阶是研究睡眠障碍相关疾病，评价夜间睡眠质量的重要前提。一般将夜间睡眠过程分为W期、REM期、NREM1期、NREM2期、NREM3期、NREM4期。对来自不同年龄段的30名志愿者的整夜睡眠数据进行采集，将采集到的各通道生理数据经预处理后，再经过相关特征点算法处理最终选取19个特征输入到SVM分类器中进行分类识别。将经过睡眠专家标定的结果与分类输出结果进行对比，结果显示系统算法得到的分阶准确率达到86%。本系统分类算法的准确率相比多数睡眠分阶研究的分阶准确率都有所提升。

图7 R-R间期分析直方图Fig.7 R-R interval analysis histogram

采用经验模式分解法得到的6个特征频带能量比[8]，如表1所示；采用小波系数特征能量比和样本熵法提取7个特征参数[9]，如表2所示。采用小波包系数法得到DWT分解后的4个特征点，如表3所示。最后本系统算法还提取了排列熵与分形维数作为睡眠结构的分类特征点[10]，共计19个特征参数。

图8 脑电醒觉反应事件判定Fig.8 EEG wake-up response event determination

表1 经验模式分解法选取的特征参数Tab.1 Characteristic parameters selected by empirical mode decomposition

表2 能量比及样本熵特征参数Tab.2 Energy ratio and sample entropy characteristic parameters

表3 DWT分解后各频段特征点Tab.3 Feature points of each frequency band after DWT decomposition

5 总结

本研究自主设计了一套可以同时采集鼻气流、鼾声、胸部呼吸、腹部呼吸、血氧、脉率、体位、脑电、眼动、下颌肌电、心电共11道生理信号的硬件采集系统，搭建了软件显示监测界面用于实时显示、动态存储、回放数据。算法部分糅合了睡眠期呼吸紊乱事件、睡眠期心血管事件、睡眠期脑电醒觉反应事件以及睡眠期分阶研究，其中睡眠期的分阶准确率达到了86%。通过对相关事件类型的判读，参数结果的分析等步骤，能够很好地指导睡眠医生对患者的睡眠质量进行精准、具体地评价。本系统的研究对整个睡眠呼吸监测技术与临床诊断的发展具有很大的推动作用，且具有广阔的应用前景。