针对特种环境的智能睡眠监测系统设计及验证

杨 昕，王 聪，尚腊梅，周玉彬，秦瑜斐，叶安琦，崔婷婷，郭大龙*

（1.海军青岛特勤疗养中心医学心理科，山东青岛 266071；2.空军军医大学空军特色医学中心，北京 100142）

0 引言

睡眠是人体的基本生理需求，睡眠时间约占生命的三分之一，良好的睡眠有助于恢复精力、缓解疲劳[1-3]。极端自然环境、特殊作业环境对人的睡眠质量会产生很大的影响，甚至导致睡眠障碍，对人的认知功能和工作效率产生严重负面影响[4-5]。如在高原地区，低压缺氧、干燥寒冷的自然环境会导致睡眠障碍发生率增加[6]；在坑道作业中，作业人员会面临潮湿、低温、空气质量差等环境，进而诱发睡眠障碍[7-8]；长期处于舰艇和潜艇航行中可导致艇员的焦虑情绪增加和睡眠质量变差，且航行时间愈长，睡眠障碍的发生率愈高[9-10]。类似的还有热带和某些海岛的高温高湿环境、极地的寒冷干燥环境等都会导致睡眠质量下降[11-12]。因此对特种环境下的人员进行睡眠监测极其重要，只有及时发现睡眠问题，才能尽早采取干预措施，稳定其生理机能，进而提高其工作效率和生活质量[13]。

临床上一般采用多导睡眠监测（polysomnography，PSG）设备来诊断睡眠相关疾病[14-15]。PSG 设备按一定频率采集睡眠全周期生理数据，包括脑电、心电（electrocardiograph，ECG）、呼吸、血氧饱和度（SpO2）等，睡眠医师再依据经验进行分析判读[15]。但PSG 设备在使用时需要连接大量电极和配件，患者自己无法使用，数据分析时还需要专业的临床医生进行判读，受到医师个人经验的影响，应用场景一般局限于专业的医疗机构。在特殊的、极端的环境中一般缺乏医护人员，难以实现PSG 设备的准确佩戴和睡眠数据的专业判读[16]。

近年来的研究表明，基于人工智能（artificial intelligence，AI）算法可以较准确地实现睡眠自动分期[17-21]。如Fonseca等[19]使用贝叶斯线性判别分类器进行了睡眠三分期和四分期的计算。与此类似的，本研究团队也曾在ECG 信号中的R-R 间期和呼吸信号中提取了152个特征，实现了睡眠四分期的计算[22]。但上述AI 技术应用的前提是准确且便捷地采集生理数据，可穿戴设备的发展则为这一技术铺平了道路。可穿戴设备具有低成本、便携和实时监测的优势，这使得它更适合在恶劣的环境中应用[23]。因此如果将可穿戴设备和AI 技术结合起来，可以更好地实现睡眠的便捷监测和自动分期，有望解决特种作业环境下人员的睡眠监测难题[24]。

基于上述设想，本文设计一款基于AI 的可穿戴睡眠监测系统——智能睡眠监测系统（intelligent sleep detection system，ISDS），旨在自动便捷地实现特种作业环境下人员的睡眠监测。

1 系统设计

ISDS 由可穿戴设备模块、数据处理和存储模块及用户端模块组成，架构图如图1 所示。其中可穿戴设备模块包括采集盒、呼吸胸带、ECG 电极、血氧手表等，采集盒在连接呼吸胸带、ECG 电极、血氧手表后可实现对ECG、呼吸、SpO2等生理数据的采集，采集到的数据能够自动存储到采集盒中。采集盒的内存为2 GiB，24 h 不间断佩戴可以连续采集5 d 数据，12 h 存储数据量约为20 MiB。采集盒中的数据能够通过有线和无线2 种方式传输，有线方式是通过数据线直接传输给计算机，无线方式是通过Wi-Fi 传输到计算机，数据传输到计算机后则进入数据存储和分析。数据处理和存储模块通过数据库和AI 算法实现，负责批量可穿戴设备同步并行数据采集与结构化存储、实时数据处理、AI 算法（包含睡眠分析算法）模型训练及调用。用户端模块实现可穿戴生理数据实时显示、睡眠数据可视化展示、报告管理及打印等。

图1 ISDS 架构图

本系统通过传输控制协议（transmission control protocol，TCP）、用户数据报协议（user datagram protocol，UDP）、WebSocket、Web Service 等网络协议实现与可穿戴设备模块、用户端模块、医院信息系统（hospital information system，HIS）以及其他业务系统的互联互通。

1.1 可穿戴设备模块

1.1.1 采集盒

采集盒的主要功能为检测和初步处理数据，可独立工作，内置有主控制器、ECG 采集模块、呼吸采集模块、三轴加速度传感器、存储器、Wi-Fi 通信模块、蓝牙通信模块、电池、USB 接口等。其中主控制器采用超低功耗的ARM Cortex-M3 MCU（EFM32GG330，Silicon Labs，美国），实现生理信号采集、数据存储、无线通信等功能；ECG 采集模块用于采集人体ECG信号，采用典型的三电极单导联ECG 监测技术，应用ECG 电极提取体表微弱的心电信号，经过滤波、放大等信号调制电路获得200 Hz 采样率的ECG 信号；呼吸采集模块用于采集胸部呼吸信号，采用经典的呼吸感应体积描记（respiratory inductive plethysmography，RIP）技术，通过内置导线的呼吸胸带以25 Hz 的采样率实现微弱呼吸信号的精准获取[25]；三轴加速度传感器采用ADXL345（Analog Devices，美国），能够以25 Hz 的采样率进行采样，输出为3 个相互垂直轴向的运动信息（三通道信号），可以根据这些信号计算出佩戴者睡眠时的体动情况。

1.1.2 ECG 电极

ECG 电极采用一体贴片结构，用于采集人体ECG信号，通过按扣形式与采集盒配合使用，信号采集稳定且便于安装和拆卸。

1.1.3 呼吸胸带

呼吸胸带用于采集人体胸部呼吸信号。呼吸胸带采用先进的混纺技术制作，在弹性良好的弹力带中织入一根正弦形状的导线，与采集盒通过卡扣形式配合使用。佩戴时该胸带紧密地缠绕在胸部，随着人体呼吸时胸廓的变化，导线所形成的线圈电感量会发生相应的微小变化，将这种变化记录下来就得到呼吸运动曲线。

1.1.4 血氧手表等配件

将可穿戴设备通过蓝牙连接采集盒，即可实现对血压、体温、SpO2信号的采集，如血氧手表、可穿戴血压监测器。可穿戴设备是可选的，可根据实际需要灵活设置。例如，如果要监测呼吸睡眠暂停现象，就应要求用户在夜间佩戴血氧手表来监测睡眠期间的SpO2。

1.2 数据处理和存储模块

数据处理和存储模块实现数据存储和数据处理功能。ISDS 实时采集人体的生命体征数据，每天采集的数据量很多，因此数据传输、接收、存储及算法设计将直接影响到整个系统的实时性、准确性、可靠性和稳定性。

1.2.1 数据存储

数据存储部分可满足批量可穿戴设备数据同步并行数据采集、监测及自动分析以及关联系统数据对接，主要采用InfluxDB、MongoDB 和MySQL 3 个数据库。InfluxDB 为时序数据库，用于存储可穿戴终端设备数据，可实现时间序列生命体征数据毫秒级存储及海量数据并发查询；MongoDB 为非结构化数据库，用于存储电子病历数据及AI 算法处理的结果数据；MySQL 为结构化数据库，用于从HIS 中获取相关业务数据。3 个数据库的配合使用，可满足系统对连续生理数据进行分析处理的业务需求，分析结果可以根据需要推送给用户端模块进行可视化展示。

1.2.2 数据处理

数据处理部分主要采用AI 批处理算法对采集到的生理数据进行综合分析，提供睡眠分析、心率变异性分析等服务，满足特种环境作业下的睡眠评估需求。AI 算法采用Python 语言实现，以便于机器学习和深度学习的模型训练及调用。

与特种作业环境下作业人员睡眠障碍相关联的AI 睡眠分期算法架构如图2 所示。在第三方数据集上采用Python 语言训练深度学习模型，然后在内部数据集上对该模型进行微调[26-27]。先设置一个30 s 的非重叠观察窗口来提取生理参数，然后计算得到基本的特征参数，再将特征参数转写为输入矩阵导入到16 个单元双向长短时记忆层，为进行多分类，采用归一化指数函数将神经网络的输出转换为概率分布形式，得到输出层中的各睡眠阶段的概率，最终实现睡眠分期的归类。其中归类层为具有4 个单元的全连接输出层，该层的每个单元对应于4 个睡眠阶段，分别是觉醒（WAKE）、浅睡眠、深睡眠和快速眼动期（rapid eye movement，REM）睡眠，其中的浅睡眠是指非快速眼动期（non-rapid eye movement，NREM）的前2 个阶段（NREM-1 和NREM-2），深睡眠是指NREM 的后2 个阶段（NREM-3 和NREM-4）。本研究采用公开的睡眠数据库——睡眠心脏健康研究（sleep heart health study，SHHS）数据库进行模型训练，SHHS 数据库由美国6 600 名患者的PSG 数据组成。本研究将数据库中经过临床专家标注的6 级睡眠阶段转换为4 级，即将NREM 中的NREM-1 和NREM-2 合并为浅睡眠，NREM-3 和NREM-4 归类为深睡眠，REM 和WAKE 不变。

图2 基于双向长短时记忆网络的AI 睡眠分期算法架构图

考虑到心肺生理信号采集的便捷性以及训练集数据信息维度的限制，仅使用ECG 中的R-R 间期和呼吸信号来提取特征，最终本研究从R-R 间期和呼吸信号中提取了152 个特征来构建和训练模型[17-19]。在训练阶段，本研究还执行了五重交叉验证来测试模型，并选择了最佳模型来进一步验证性能。此外，本研究还在持续收集和整理的内部数据集上对模型进行微调[20]。

1.3 用户端模块

用户端模块包括PC 端和手机端。PC 端包括本地工作站和远程工作站，采用浏览器/服务器（Browser/Server，B/S）架构和前后端分离的模式，实现本地基础数据处理和远程业务数据处理。手机端包括患者手机端App 和医生手机端App，采用安卓SDK进行开发，通过消息队列遥测传输（message queuing telemetry transport，MQTT）消息服务的方式实现患者手机端和医生手机端生理数据的实时查看和处理。医务人员可通过本地工作站、远程工作站或医生手机端App 登录管理员账户查看所有用户睡眠状态及各类分析结果，患者也可通过手机端App 查看生理状态及报告信息。

ISDS 可以连续监测ECG、呼吸波、SpO2、姿势/活动等生理信号，通过PC 端大屏幕实时集中显示多个患者的生理信息，如图3 所示，便于对患者进行高效管理。

图3 PC 端界面

用户端模块不仅能实时显示生理数据，还具备睡眠生理数据回顾浏览和睡眠报告管理等功能。其中睡眠监测报告如图4 所示，报告内容为AI 算法自动分析生成推送到用户端，用户也可手动调整和校准分析结果，比如去除干扰数据等，重新生成报告存储到本地或进行打印。

图4 睡眠监测报告

2 实验验证

为验证本文设计的ISDS 的性能以及可靠性，本研究开展了本系统与PSG设备的对比研究，同时采用这2 种设备在高原和平原2 种环境下对睡眠质量进行监测。

2.1 实验对象

招募男性志愿者30 人，随机平均分为平原组和高原组，志愿者均身体健康、无精神疾病史、最近1 a 内无失眠状况、无高原居住及旅行经历。平原组平均年龄为（20.6±3.4）岁，体质量为（62.7±5.2）kg，身高为（171±5.6）cm；高原组平均年龄为（20.9±2.9）岁，体质量为（61.3±6.9）kg，身高为（172±7.6）cm。志愿者实验期间及实验前1 个月内不服用任何安眠药，实验期间不饮酒、不食用咖啡和茶、作息时间规律。本研究获得空军特色医学中心伦理委员会批准，所有纳入试验的人员均签署知情同意书。

2.2 实验方法

首先采用ISDS 和PSG 设备同时在北京的睡眠实验室（海拔高度为31.6 m，大气压为100.07 kPa）对平原组和高原组的志愿者进行预测试。预测试主要用以排除失眠或呼吸睡眠暂停的患者，并且志愿者能够通过预测试熟悉设备佩戴方法和实验环境。在测试前由护士指导佩戴PSG 设备和ISDS，并由主试检查佩戴情况是否符合规范，然后再进行测试。

随后对平原组进行正式测试，测试方法和地点与预测试相同。然后组织高原组乘飞机前往拉萨，在到达拉萨后第二天进行测试，测试方法与平原组一致，测试地点的海拔高度为3 710 m，大气压为65.25 kPa。

PSG 设备采用13 导联的Embla-Monet 睡眠监测系统（邦德安百公司，美国），由长期从事睡眠监测的临床医生对数据进行手工分期（四分期形式）。

ISDS 则采用胸带监测睡眠，使用时佩戴好胸带，同时连接好ECG 电极，采用AI 算法进行自动睡眠分期（四分期）。

为验证AI 算法的准确性，分别计算平原组和高原组睡眠分期的准确率。方法为先将睡眠按照30 s的时间段进行分割，然后以PSG 设备的监测结果为标准，计算AI 算法分期正确的比例，得到四分类准确率，然后再分别计算在4 个睡眠分期中正确划分睡眠阶段的比例，得到4 个睡眠分期各自的准确率。

此外，为了衡量分类的效果，即评价AI 模型分类结果和PSG 设备手工分类结果的一致性，采用卡帕系数对分类结果进行一致性评价[28]。

利用SPSS 19.0 软件进行数据处理，结果均以xˉ±s表示。首先采用Shapro-Wilk 检验判断数据的正态性，然后采用t 检验对定量资料进行统计分析，P<0.05表示差异具有统计学意义。

2.3 结果

如图5 所示，在平原和高原环境下ISDS 采集的数据配合AI 算法均能完成睡眠状态的监测和自动分期，且整体趋势与PSG设备加人工分期的方法区别较小。

图5 志愿者在平原和高原环境下的睡眠分期结果

在平原和高原环境下分别计算PSG 设备和ISDS得到的睡眠四分期结果，详见表1。此外，在平原组中采用t 检验分别对PSG 设备和ISDS 监测得到的4 组睡眠分期结果进行统计，WAKE、浅睡眠、深睡眠和REM 睡眠对应的P 值分别为0.37、0.88、0.97 和0.95，均大于0.05，即差异没有统计学意义。在高原组中采用t 检验分别对2 种监测方法得到的4 组睡眠分期结果进行统计，P 值分别为0.97、0.60、0.90 和0.09，均大于0.05，差异没有统计学意义。

表1 平原组和高原组的睡眠分期结果 单位：min

对高原组和平原组PSG 设备监测得到的4 个睡眠阶段（WAKE、浅睡眠、深睡眠和REM 睡眠）分别进行t 检验，用于检测2 种环境下睡眠分期之间的差异，P 值分别为0.01、0.64、＜0.01、＜0.01，可见对于PSG 设备的监测结果，高原组和平原组的WAKE、深睡眠和REM 睡眠的时长差异具有统计学意义，在浅睡眠期差异没有统计学意义。类似的，对ISDS 监测得到的4 个睡眠阶段进行t 检验，得到的P 值分别为0.01、0.60、＜0.01、＜0.01，即高原组和平原组的WAKE、深睡眠和REM 期的时长差异具有统计学意义，而浅睡眠期差异无统计学意义。

此外，为验证ISDS 监测的准确性，本研究又分别计算了高原组和平原组4 个睡眠阶段的准确率和卡帕系数，结果见表2。其中平原组四分期总的准确率为（75.15±2.10）%，高原组总的准确率略有下降，为（74.69±2.58）%；平原组四分期总的卡帕系数为0.63±0.12，高原组略有下降，为0.62±0.12。此外，采用t检验的方法对平原组和高原组四分期的准确率进行统计分析，得到P=0.60，差异无统计学意义；同样采用t 检验的方法对平原组和高原组四分期的卡帕系数进行统计分析，得到P=0.75，差异也无统计学意义。

表2 平原组和高原组ISDS 的四分期准确率和卡帕系数结果

3 讨论

本文设计的ISDS 仅采用了ECG 和呼吸2 种生理信号进行睡眠分期，简化了睡眠监测的复杂程度，且因利用了AI 的自动睡眠分期方法使得本系统可以不依赖于专业的睡眠医师，更适于复杂而艰苦的特种作业环境。

为验证ISDS 监测的准确性，本文在平原和高原2 种环境下分别进行验证试验。由图5 可知，2 种环境下AI 算法都能够得到与人工睡眠分期类似的结果。结合表1 结果，PSG 设备与ISDS 在平原和高原2个环境下监测得到的睡眠四分期结果差异均没有统计学意义，且四分期中的各个分期结果差异也没有统计学意义，这说明ISDS 能够在这2 种不同的环境下对不同的睡眠质量人群实现与PSG 设备类似的监测效果。为测试ISDS 监测睡眠分期的准确性，本研究还进行了准确率的计算，由表2 可知，平原组四分期总的准确率为（75.15±2.10）%，高原组总的准确率达到（74.69±2.58）%，尽管高原组准确率略有下降，但都达到了74%以上。参考以往采用ECG 和RIP 进行睡眠分期的AI 算法可知（见表3），三分期的准确率一般为70%～80%，四分期的准确率一般在70%左右，因此本研究提出的算法和系统在准确率上均超过了以往的类似研究[19，32]。另外，以往研究中三分期算法的卡帕系数一般为0.4～0.6，而本研究设计的ISDS的卡帕系数在平原组达到0.63±0.12，在高原组中也达到0.62±0.12，超过了以往四分期和多数三分期算法的研究[19，32]。尽管从临床应用的角度，这种睡眠分期的准确率还需要进一步提升，但是已经可以满足初步的睡眠疾病的诊断以及健康监测的目的。

表3 睡眠分期模型的效果对比

ISDS 的四分期结果显示，在高原环境下WAKE 期比平原环境要长，而深睡眠期和REM 睡眠期则要短，这与PSG 设备的四分期结果完全一致，说明在高原环境下ISDS 也得到了类似PSG 设备加人工判读的睡眠分期结果。另外，四分期结果的准确率和卡帕系数在平原和高原2 种情况下差异没有统计学意义，这表明尽管高原环境造成了睡眠质量的下降，但并没有影响到ISDS 的准确度和分期质量，表明ISDS 可在类似的特种环境中进行自动睡眠分期。但是本研究仅在高原环境中对ISDS 进行了测试，未来还需要更多特种环境下的研究来证明其在各种环境下的有效性。

本系统未来还有很大的拓展空间，例如可将数据传输到后方的数据库供专业的医护人员进行进一步的诊断，实现对特种作业环境人员的远程医疗，可以更好地实现睡眠类疾病的早期诊断和预警，使这些人员具有一定的自我健康管理能力。为了实现上述设想，还需要更好的硬件系统性能和更完善的AI 算法，需要开发和探索有效的方法来减少异常值的影响，提高检测精度，积累更多的数据来提高模型性能。

4 结语

本文设计的基于AI 的ISDS 可以在便携、易用的前提下提供自动睡眠分期的判读，且本研究结果显示高原低氧环境也不会影响它的准确度和分期质量，表明ISDS 可在类似的特种环境中进行自动睡眠分期。但从临床应用的角度，本系统睡眠分期的准确率还需进一步提升，硬件系统的舒适性还有待优化，在进一步改进后未来可广泛应用于特种环境下睡眠疾病的诊断和健康监测。