潘澤森，竇建洪，申?yáng)|翔，李理，陳宇珂，黎振聲，竇澤寧，黃智冕，謝恬

南部戰(zhàn)區(qū)總醫(yī)院 a.醫(yī)學(xué)工程科；b.呼吸內(nèi)科；c.神經(jīng)內(nèi)科，廣東 廣州 510010

引言

多導(dǎo)睡眠監(jiān)測(cè)（Polysomnography，PSG）是臨床診斷睡眠呼吸暫停綜合征（Sleep Apnea Syndrome，SAS）的金標(biāo)準(zhǔn)[1]，也是睡眠醫(yī)學(xué)發(fā)展過程中一項(xiàng)重要技術(shù)評(píng)價(jià)手段[2]。PSG是在專業(yè)的睡眠監(jiān)測(cè)室中采用傳感器技術(shù)記錄患者在睡眠期間的腦電圖（Electroencephalogram，EEG）、眼動(dòng)電圖（Electrooculogram，EOG）、肌電圖（Electromyogram，EMG）、心電圖（Electrocardiogram，ECG）、呼吸氣流、胸腹呼吸運(yùn)動(dòng)、體位、血氧飽和度（Pulse Oxygen Saturation，SpO2）等生理信號(hào)，對(duì)其進(jìn)行數(shù)據(jù)處理和分析得到睡眠結(jié)構(gòu)圖及標(biāo)記呼吸事件，量化診斷指標(biāo)[3]。醫(yī)生根據(jù)定量指標(biāo)判定患者SAS的嚴(yán)重程度，并提出合理化治療方案。

隨著生活水平的大幅提高，人們對(duì)睡眠疾病的關(guān)注度增加，提前發(fā)現(xiàn)并積極防治SAS是改善睡眠的重要手段。從1968年Hobson[4]提出了人類睡眠分期規(guī)則（即R&K分期規(guī)則）到2007年美國(guó)睡眠醫(yī)學(xué)會(huì)（American Academy of Sleep Medicine，AASM）出版了《AASM睡眠及其相關(guān)事件判讀手冊(cè)-規(guī)則、術(shù)語(yǔ)和技術(shù)規(guī)范》[5]，睡眠醫(yī)學(xué)專家圍繞PSG技術(shù)對(duì)各個(gè)參數(shù)的應(yīng)用進(jìn)行了詳細(xì)的規(guī)范說(shuō)明并在持續(xù)不斷的更新中。根據(jù)目前臨床使用的現(xiàn)狀，PSG儀的特點(diǎn)是需由專業(yè)的醫(yī)務(wù)人員在標(biāo)準(zhǔn)的睡眠監(jiān)測(cè)室采集患者生理信息，分析計(jì)算并量化結(jié)果，提供詳細(xì)分析報(bào)告，但技術(shù)要求高，患者睡眠質(zhì)量受到干擾大，收費(fèi)相對(duì)較貴。便攜式睡眠監(jiān)測(cè)儀患者可對(duì)監(jiān)測(cè)環(huán)境進(jìn)行選擇，并且佩戴簡(jiǎn)便、費(fèi)用不高，但采集數(shù)據(jù)量偏少導(dǎo)致分析結(jié)果不穩(wěn)定[6]。針對(duì)睡眠監(jiān)測(cè)儀存在的不足，本研究設(shè)計(jì)了一款一體式睡眠呼吸暫停監(jiān)測(cè)系統(tǒng)，具有采樣數(shù)據(jù)全、佩戴方便以及干擾睡眠少等特點(diǎn)，為臨床早期SAS的篩查提供一套可行方案。

1 整體設(shè)計(jì)

一體式睡眠呼吸暫停監(jiān)測(cè)系統(tǒng)的硬件系統(tǒng)結(jié)構(gòu)如圖1所示，它是基于ATMega328主控芯片實(shí)現(xiàn)對(duì)一體式信號(hào)采集模塊的數(shù)據(jù)處理并通過藍(lán)牙將信號(hào)傳輸至上位機(jī)分析數(shù)據(jù)。一體式采集模塊完成對(duì)原始信號(hào)的采集（包括表面電極采集EEG和EOG、溫度傳感器采集鼻氣流的溫度場(chǎng)變化、光電傳感器采集耳垂的SpO2以及三軸傳感器采集體動(dòng)等），在前端完成濾波放大、模數(shù)轉(zhuǎn)換等。利用I2C總線技術(shù)將數(shù)據(jù)傳送至主控芯片，為保持電平一致性設(shè)計(jì)了由NMOS管和上拉電阻組成的電平轉(zhuǎn)換電路。低功耗藍(lán)牙（Bluetooh Low Energy，BLE）系統(tǒng)實(shí)現(xiàn)數(shù)字信號(hào)在主控芯片與上位機(jī)之間的傳輸，分析系統(tǒng)對(duì)信號(hào)進(jìn)行多數(shù)據(jù)融合并基于深度學(xué)習(xí)算法（Convolutional Neural Networks Long Short-Term Memory，CNN-LSTM）的信號(hào)處理技術(shù)實(shí)現(xiàn)睡眠分期及呼吸事件識(shí)別，計(jì)算睡眠呼吸暫停低通氣指數(shù)（Apnea-Hypopnea Index，AHI）完成SAS的預(yù)警。

圖1 一體式睡眠呼吸暫停監(jiān)測(cè)系統(tǒng)結(jié)構(gòu)圖

2 硬件結(jié)構(gòu)設(shè)計(jì)

2.1 中央主控系統(tǒng)

中央主控系統(tǒng)的芯片需滿足功耗極低、集成度高、I/O接口≥4個(gè)、通用靈活、掉電保護(hù)、一定的抗干擾能力等特性，故本研究采用ATMega328芯片為數(shù)據(jù)的中轉(zhuǎn)處理站。

ATMega328是一款集成了中央處理單元、存儲(chǔ)器、輸入輸出接口、定時(shí)/計(jì)數(shù)器、時(shí)鐘電路等電路的主控芯片，其AVR核具備豐富的指令集，32個(gè)寄存器且可與算術(shù)邏輯單元直接相連，同一時(shí)鐘周期內(nèi)一條指令可分別訪問兩個(gè)寄存器。先進(jìn)的RISC體系結(jié)構(gòu)，處理速度達(dá)20 MHz，內(nèi)部有校準(zhǔn)的振蕩器，32 K的系統(tǒng)內(nèi)可編程閃存，具有讀寫功能，接口類型包括I2C、 SPI、 USART[7]。

2.2 腦電信號(hào)采集模塊

腦電是一種非線性、非平穩(wěn)事變信號(hào)，其特點(diǎn)是采集難度大、頻率范圍低，幅值范圍為5～100 μV，包括δ波（0～3.99 Hz）、θ波（4～7.99 Hz）、α波（8～13 Hz）、β波（＞13 Hz）及K復(fù)合波、睡眠梭形波（11～16 Hz）和鋸齒波（成串尖銳成三角狀，2～6 Hz）[8]。

根據(jù)腦電信號(hào)特點(diǎn)本研究采用由一體式電極和Neurosky公司生產(chǎn)的TGAT1L64芯片及附屬電路組成的腦電信號(hào)處理模塊。一體式電極如圖2所示，柔性電極能夠與頭皮無(wú)縫接觸，無(wú)需對(duì)頭皮進(jìn)行特殊處理，操作方便簡(jiǎn)單。TGAT1L64芯片及附屬電路由輸入阻抗高及共模抑制比高的差分放大器、非線性度小和抗干擾能力強(qiáng)的帶通濾波器及噪聲低的模數(shù)轉(zhuǎn)換器等電路組成，實(shí)現(xiàn)對(duì)腦電信號(hào)前端處理，采樣頻率為512 Hz[9]。

圖2 一體式電極設(shè)計(jì)圖

2.3 眼電信號(hào)采集模塊

眼球的運(yùn)動(dòng)可以反映睡眠情況，其特點(diǎn)是垂直運(yùn)動(dòng)為同相偏轉(zhuǎn)，水平運(yùn)動(dòng)為異相偏轉(zhuǎn)[10]。它通過眼電來(lái)記錄，幅值一般為-0.8～0.8 mV。本研究設(shè)計(jì)的兩個(gè)采樣電極為左右對(duì)稱的水平結(jié)構(gòu)且均位于前額眼瞼上方，其中一個(gè)為參考電極，另一個(gè)為測(cè)量電極。眼電信號(hào)的預(yù)處理通過TGAT1L64芯片及附屬電路來(lái)完成，特征提取以及模式識(shí)別在分析軟件中實(shí)現(xiàn)。

2.4 呼吸信號(hào)采集模塊

人體鼻腔具有內(nèi)壁血管豐富、內(nèi)表面積大、加溫速度快等特點(diǎn)，使得氣道內(nèi)溫度場(chǎng)相對(duì)穩(wěn)定與體溫一致，基本在30～33℃之間浮動(dòng)，并與呼吸動(dòng)作呈正向相關(guān)性[11]。本研究利用該特點(diǎn)在鼻腔的呼出端設(shè)置數(shù)字溫度傳感器對(duì)呼吸氣流進(jìn)行溫度的定量檢測(cè)。

采用由DALLAS生產(chǎn)的總線式數(shù)字溫度傳感器DS18B20，使用簡(jiǎn)單無(wú)需另接其他電子元器件，測(cè)溫范圍在-10～85℃時(shí)的測(cè)量精度可達(dá)±0.5℃，其測(cè)量結(jié)果以多位數(shù)字量方式經(jīng)I2C總線傳送至主控芯片。檢測(cè)的溫度變化量是環(huán)境溫度與呼出氣流溫度之差的絕對(duì)值，其測(cè)量值在傳感器的可測(cè)分辨率范圍內(nèi)變化，采樣頻率高于呼吸頻率約為100 Hz。在吸氣時(shí)相進(jìn)行環(huán)境溫度的定標(biāo)，若出現(xiàn)呼吸暫停則會(huì)出現(xiàn)一個(gè)平臺(tái)期，接著進(jìn)入下一個(gè)呼吸周期，根據(jù)平臺(tái)期的時(shí)間長(zhǎng)短來(lái)標(biāo)記呼吸事件。

2.5 血氧信號(hào)采集模塊

SpO2是血液中被氧結(jié)合的氧合血紅蛋白（Oxygenated Hemoglobin，HbO2）的容量占全部可結(jié)合的血紅蛋白（Hemoglobin，Hb）容量的百分比，它既是呼吸循環(huán)的重要生理參數(shù)，又是衡量SAS的關(guān)鍵指標(biāo)值[12]。它是利用朗伯比爾定律，通過紅光660 nm和紅外光880 nm對(duì)波動(dòng)的耳垂進(jìn)行照射，其光吸收量會(huì)隨血液容積變化而變化，傳感器探測(cè)反射光強(qiáng)度值，再進(jìn)行血氧標(biāo)定曲線擬合，實(shí)現(xiàn)監(jiān)測(cè) SpO2。

本文采用集成化血氧模塊MAX30102對(duì)耳垂血氧信號(hào)采集處理，它集成了一個(gè)660 nm紅光LED、880 nm紅外光LED、光檢測(cè)傳感器以及去噪電路，通過光信號(hào)發(fā)射及接收、AD轉(zhuǎn)換、環(huán)境光干擾消除及數(shù)字濾波，利用I2C 技術(shù)讀寫其內(nèi)部寄存器，將搏動(dòng)的血氧轉(zhuǎn)換為光強(qiáng)度數(shù)值，在上位機(jī)的分析系統(tǒng)通過算法處理計(jì)算出SpO2值及顯示波形。

2.6 體動(dòng)采集

通過對(duì)體動(dòng)信號(hào)的采集可實(shí)現(xiàn)睡眠運(yùn)動(dòng)狀態(tài)的實(shí)時(shí)監(jiān)測(cè)，為睡眠分期提供輔助決策依據(jù)[13]。本研究采用加速度傳感器實(shí)現(xiàn)在靜態(tài)或動(dòng)態(tài)情況下有運(yùn)動(dòng)或停止出現(xiàn)的檢測(cè)，同時(shí)根據(jù)設(shè)定動(dòng)態(tài)閾值感知不同的睡眠姿態(tài)。

加速度傳感器ADXL345將微型機(jī)械結(jié)構(gòu)慣性傳感器與信號(hào)處理電路集于一體，實(shí)現(xiàn)測(cè)量加速度并輸出數(shù)字信號(hào)，其具有功耗極低、測(cè)量精度高等特點(diǎn)。根據(jù)不同的睡眠姿態(tài)，分析睡眠中動(dòng)作，包括三個(gè)軸向運(yùn)動(dòng)分量，x軸為翻滾，y軸為伸展，z軸為直立，通過ADXL345檢測(cè)其三個(gè)軸上的加速度，計(jì)算運(yùn)動(dòng)軸與測(cè)量軸之間的對(duì)應(yīng)關(guān)系，從而得出睡眠過程人體運(yùn)動(dòng)情況。

2.7 藍(lán)牙傳輸

本研究采用芯片藍(lán)牙CC2540實(shí)現(xiàn)上位機(jī)分析系統(tǒng)與中央主控系統(tǒng)之間的信號(hào)傳輸。芯片集2.4 GHz射頻收發(fā)和8051單片機(jī)一體，基于藍(lán)牙低功耗4.0協(xié)議，具有睡眠模式功率消耗低及模式切換快等特點(diǎn)[14]。

2.8 原型樣機(jī)

原型睡眠呼吸暫停監(jiān)測(cè)儀樣機(jī)如圖3所示，包括主控芯片ATMega328，由TGAT1L64芯片及附屬電路組成的腦電和眼電信號(hào)采集模塊，由DS18B20芯片及附屬電路組成的呼吸信號(hào)采集模塊，由MAX30102芯片及附屬電路組成的血氧信號(hào)采集模塊，CC2540芯片及附屬電路組成的低功耗藍(lán)牙模塊，各個(gè)模組之間通過I2C總線控制技術(shù)實(shí)現(xiàn)信號(hào)傳輸。

圖3 原型睡眠呼吸暫停監(jiān)測(cè)儀樣機(jī)

3 軟件分析系統(tǒng)設(shè)計(jì)

3.1 睡眠呼吸事件信號(hào)特征

3.1.1 睡眠分期及腦電信號(hào)特征

根據(jù)AASM睡眠及其相關(guān)事件判讀手冊(cè)規(guī)則、術(shù)語(yǔ)和技術(shù)規(guī)范2.3版，睡眠分期分為五期：清醒期（W期）、N1期（非快速眼球運(yùn)動(dòng)期1期）、N2期（非快速眼球運(yùn)動(dòng)期2期）、N3期（非快速眼球運(yùn)動(dòng)期3期）、R期（快速眼球運(yùn)動(dòng)期）。睡眠各期的具有如下特點(diǎn)：W期大部分個(gè)體在閉眼時(shí)EEG會(huì)出現(xiàn)典型的α波，睜眼時(shí)表現(xiàn)為低振幅腦電，主要為混合的α波和β波（一幀中α波占50%以上）。EOG出現(xiàn)特征性快速眨眼，頻率0.5～2 Hz。體動(dòng)連續(xù)出現(xiàn)3次以上，且幅度和頻度都較大。N1期從清醒狀態(tài)到睡眠的過渡期，α波所占比例減少，代之以頻率為4～7 Hz的低電壓混合頻率波（θ波），且占一幀的50%以上，該階段常出現(xiàn)慢速眼動(dòng)，體動(dòng)時(shí)間在2 s內(nèi)，頻次減少。N2期被認(rèn)為是真正睡眠的開始，該階段會(huì)發(fā)生一個(gè)或多個(gè)與微覺醒無(wú)關(guān)的K 復(fù)合波和睡眠梭形波（當(dāng)K 復(fù)合波結(jié)束1 s內(nèi)出現(xiàn)微覺醒，則認(rèn)為K 復(fù)合波與微覺醒相關(guān)）。N3期振幅＞75 μV，頻率0.5～2 Hz的慢波（δ波）占一幀的20%以上，睡眠梭形波可能持續(xù)，此時(shí)睡眠程度加深，不易被喚醒，基本無(wú)體動(dòng)。R期出現(xiàn)變化的、不規(guī)律的、波峰尖銳的眼球運(yùn)動(dòng)，持續(xù)時(shí)間常＜0.5 s，出現(xiàn)鋸齒狀，頻率2～6 Hz的低電壓、混合頻率腦電波，體動(dòng)變頻繁，其持續(xù)時(shí)間加長(zhǎng)[15]。

一般人的整晚睡眠中大概有4～6個(gè)睡眠周期，從上床就寢到入睡稱為睡眠潛伏期，成年人一般約20 min。然后進(jìn)入N1期，大約7 min后，即進(jìn)入N2期；約30 min后，進(jìn)入N3期，持續(xù)約數(shù)分鐘至1 h；再回到N2期；入睡后70～90 min，進(jìn)入R期睡眠5 min，接著再回到N2期，進(jìn)入第二個(gè)睡眠周期。從第二個(gè)周期開始，NREM期時(shí)間逐漸縮短，而R期逐漸延長(zhǎng)，一個(gè)周期時(shí)長(zhǎng)約90 min；睡眠后半夜，NREM期出現(xiàn)越來(lái)越少，R期時(shí)間可長(zhǎng)達(dá)1 h。成年人一夜睡眠中，R期約占15%～25%，N1期占5%～10%，N2期占30%～50%，N3期約占10%～20%[16]。

3.1.2 呼吸事件及信號(hào)特征

呼吸事件包括呼吸暫停、低通氣和與呼吸相關(guān)的微覺醒，其中呼吸暫停事件是指口鼻溫度信號(hào)曲線峰值較事件前基線值下降≥90%且持續(xù)時(shí)間10 s以上，低通氣事件是呼吸氣流信號(hào)峰值較基線下降≥30%且連續(xù)10 s以上，并SpO2較上一基線下降＞4%[16]。本文通過鼻氣流溫度以及耳垂SpO2采樣數(shù)據(jù)，對(duì)呼吸暫停事件和低通氣事件進(jìn)行分區(qū)標(biāo)記。

3.2 基于CNN-LSTM算法的睡眠分期和呼吸事件識(shí)別

3.2.1 信號(hào)預(yù)處理

信號(hào)噪聲消除，刪除原始數(shù)據(jù)中嚴(yán)重干擾部分；臨床診斷專家進(jìn)行人工數(shù)據(jù)標(biāo)記，為特征信號(hào)比對(duì)提供依據(jù)；對(duì)采樣數(shù)據(jù)進(jìn)行片段，以30 s為一段，至少需要記錄被測(cè)者6 h睡眠時(shí)長(zhǎng)。

3.2.2 多傳感器信號(hào)數(shù)據(jù)融合

由于呼吸事件發(fā)生的不確定性，采集信號(hào)之間的影響較為復(fù)雜，本文從5個(gè)不同維度的傳感器收集表面目標(biāo)的數(shù)據(jù)（EEG、EOG、鼻氣流、SpO2和體動(dòng)），對(duì)傳感器的輸出數(shù)據(jù)進(jìn)行離散變換（包括時(shí)域和頻域），提取代表目標(biāo)數(shù)據(jù)的特征波形如K復(fù)合波、δ波、θ波、α波、β波、梭形波、鋸齒波以及呼吸事件中鼻氣流和SpO2下降曲線，其作為模型的信號(hào)輸入提供訓(xùn)練和測(cè)試樣本數(shù)據(jù)集。

3.2.3 基于CNN-LSTM的數(shù)據(jù)分類

本文采用CNN-LSTM即CNN在LSTM前端的混合模型，其中CNN用于解釋輸入的子序列，這些子序列一起作為序列提供給LSTM模型進(jìn)行解釋的算法[17-19]。CNN模型結(jié)構(gòu)共5層：輸入層（特征矩陣）、卷積層（卷積核與信號(hào)進(jìn)行卷積運(yùn)算）、池化層（最大池化壓縮卷積輸出）、全連接層（相應(yīng)特征映射）、輸出層（特征提?。?；LSTM模型結(jié)構(gòu)共3層：輸入門（CNN輸出信號(hào)）、遺忘門（選擇遺忘過濾無(wú)關(guān)信息）及輸出門（預(yù)測(cè)），CNN的輸出與LSTM的輸入相連，共同完成時(shí)序信號(hào)的特征學(xué)習(xí)和遺忘，實(shí)現(xiàn)睡眠分類及呼吸事件的識(shí)別。

輸入卷積網(wǎng)絡(luò)的初始信號(hào)提取分類的重要特征，非線性激活層Relu函數(shù)濾波器矩陣與原始矩陣點(diǎn)積生成新矩陣，根據(jù)步長(zhǎng)滑動(dòng)濾波器獲得激活圖矩陣，池化層采用最大池化（Max Pooling）保留與每個(gè)特征高度相關(guān)的信息值壓縮矩陣圖，全連接層將特征圖進(jìn)行維度上的改變，采用softmax分類函數(shù)來(lái)得到每個(gè)分類類別對(duì)應(yīng)的概率值。將CNN的輸出作為L(zhǎng)STM的輸入，在輸入門完成內(nèi)部狀態(tài)更新，在遺忘門內(nèi)自適應(yīng)選擇單元存儲(chǔ)內(nèi)容，最后輸出分類結(jié)果。

3.3 基于SAS診斷標(biāo)準(zhǔn)的預(yù)警機(jī)制

臨床診斷SAS的標(biāo)準(zhǔn)是在7 h夜間睡眠中，發(fā)生呼吸暫停大于30次或者大于5次[20]。而AHI是指平均每小時(shí)睡眠中發(fā)生呼吸暫停或低通氣次數(shù)，根據(jù)AHI可將SAS分為輕（5～15）、中（16～30）、重（30以上）三類。以診斷標(biāo)準(zhǔn)為依據(jù)設(shè)定閾值函數(shù)，計(jì)算每晚呼吸暫停發(fā)生頻次，超過閾值通過主控板上三色LED指示燈（低、中、高）報(bào)警，并將記錄結(jié)果保存于數(shù)據(jù)庫(kù)。

4 結(jié)果

按照倫理標(biāo)準(zhǔn)要求結(jié)合臨床實(shí)際，選取了10名不同嚴(yán)重程度的志愿者通過佩戴該裝置獲取實(shí)驗(yàn)數(shù)據(jù)。睡眠實(shí)驗(yàn)室操作人員只需將一體式電極粘貼至被測(cè)者前額，適當(dāng)調(diào)節(jié)鼻氣流傳感器位置即可，無(wú)需進(jìn)行復(fù)雜連線，操作簡(jiǎn)單快捷。被測(cè)者整體反映佩戴該裝置體感較為舒適，且連接導(dǎo)線較少，睡眠狀態(tài)和平時(shí)基本無(wú)差異，平均睡眠時(shí)間達(dá)7.5 h。其中1名被測(cè)者反映佩戴后有異物感，經(jīng)過較短時(shí)間適應(yīng)后很快入睡，導(dǎo)致該現(xiàn)象的主要原因是采集電極母版基質(zhì)材料柔韌性不強(qiáng)，下一步項(xiàng)目組將在基材選擇方面繼續(xù)提高。其中2名被測(cè)者因體動(dòng)幅度過大導(dǎo)致耳垂SpO2傳感器脫落，裝置會(huì)發(fā)出提示信號(hào)提醒操作人員重新連接。

本研究引入評(píng)價(jià)計(jì)算模型的指標(biāo)包括準(zhǔn)確率（Accuracy，ACC）、敏感度（Sensitivity，SEN）和特異性（Specificity，SPE），其計(jì)算指標(biāo)包括真正例（True Positive，TP）表示模型預(yù)測(cè)正例樣本正確的數(shù)量、真負(fù)例（True Negative，TN）表示模型預(yù)測(cè)負(fù)例樣本正確的數(shù)量、假正例（False Positive，F(xiàn)P）、假負(fù)例（False Negative，F(xiàn)N）。計(jì)算公式為：ACC=（TP+TN）/（TP+TN+FP+FN）；SEN=TP/（TP+FN）；SPE=TN/（TN+FP）。

通過測(cè)試共獲取的10個(gè)數(shù)據(jù)集，其中包含50個(gè)子數(shù)據(jù)集超過100000個(gè)數(shù)據(jù)片段，將90000個(gè)數(shù)據(jù)片段作為訓(xùn)練集，10000個(gè)數(shù)據(jù)片段作為測(cè)試集。初始化訓(xùn)練集后根據(jù)模型運(yùn)算情況逐步優(yōu)化調(diào)整，基本實(shí)現(xiàn)不同睡眠的分期，其中W期和N3期準(zhǔn)確率為80%，N1、N2和R期準(zhǔn)確率為75%，具體與專家分析的結(jié)果對(duì)比情況如表1所示。

表1 睡眠分期情況對(duì)比（%）

通過CNN-LSTM模型特征提取，在不斷地迭代學(xué)習(xí)過程中識(shí)別分類呼吸事件，并計(jì)算AHI值。本裝置與PSG相比情況具體如表2所示，AHI最大偏差值為4，但判讀的嚴(yán)重程度相一致。

表2 PSG與本裝置的 AHI對(duì)比

5 討論

目前監(jiān)測(cè)SAS主要受到設(shè)備測(cè)量參數(shù)多導(dǎo)致被測(cè)者體感舒適度差、參數(shù)的減少導(dǎo)致準(zhǔn)確度下降、場(chǎng)地條件及操作者熟練度要求高等因素的影響。本項(xiàng)目通過一體式電極采集的數(shù)據(jù)，在基于CNN-LSTM模型分析下實(shí)現(xiàn)了不同睡眠的分期，同時(shí)計(jì)算AHI值及預(yù)警呼吸暫停嚴(yán)重程度，其中總體ACC為77.3%，AHI值最大偏差為4，與臨床專家判讀的結(jié)果一致性較好，有效地解決目前存在的困難，達(dá)到預(yù)期研制目標(biāo)。

近年隨著機(jī)器學(xué)習(xí)不斷發(fā)展，基于深度神經(jīng)網(wǎng)絡(luò)的睡眠分期和呼吸事件識(shí)別相關(guān)研究取得較大進(jìn)步，ACC也有明顯的提高。Lakhan等[21]通過提取PSG中鼻氣流信號(hào)，基于深度神經(jīng)網(wǎng)絡(luò)利用AHI值分界點(diǎn)實(shí)現(xiàn)二分類，再根據(jù)不同嚴(yán)重程度進(jìn)行四分類，其最終判讀的ACC為63.70%。Haidar等[22]通過采集鼻氣流信號(hào)（960原始數(shù)據(jù)段），提取呼吸暫停低通氣事件特征引入CNN模型實(shí)現(xiàn)二分類（正常與異常情況），ACC為74.7%。Haidar等[23]基于CNN方法對(duì)樣本數(shù)據(jù)（樣本數(shù)據(jù)69264個(gè)）包括鼻氣流、胸腹運(yùn)動(dòng)等三個(gè)信號(hào)進(jìn)行挖掘，實(shí)現(xiàn)正常呼吸、低通氣以及阻塞型呼吸暫停三分類，ACC為83.5%。Dey等[24]基于CNN使用單導(dǎo)聯(lián)ECG信號(hào)（6000樣本片段）自動(dòng)檢測(cè)阻塞性睡眠呼吸暫停，消除了單獨(dú)的特征提取和分類算法的要求，同樣實(shí)現(xiàn)的是二分類（正常呼吸與呼吸暫停），ACC為98.9%。Michielli等[25]從Sleep-EDF 數(shù)據(jù)庫(kù)中提取10名健康志愿者單道EEG（Fpz-Cz）信號(hào)，采用兩個(gè)級(jí)聯(lián)LSTM模型首先實(shí)現(xiàn)四分類（即W、N1-REM、N2、N3），再對(duì)N1-REM進(jìn)行二分類，五段睡眠分期平均ACC為86.74%。Tsinalis等[26]基于時(shí)頻分析提取單道EEG信號(hào)中不同睡眠階段的特征，同時(shí)對(duì)不良信號(hào)進(jìn)行修正，采用堆積稀疏自動(dòng)編碼對(duì)W、REM、NREM（N1/N2/N3）進(jìn)行分類，平均ACC為78%。

對(duì)比上述文獻(xiàn)實(shí)驗(yàn)結(jié)果，本分類模型具有一定的優(yōu)點(diǎn)。首先臨床專家判讀的睡眠呼吸暫停的標(biāo)準(zhǔn)是基于多通道信號(hào)而實(shí)現(xiàn)的，在無(wú)睡眠狀態(tài)參考下，呼吸事件的判讀會(huì)導(dǎo)致偏差。本研究通過記錄每個(gè)窗口不同信號(hào)之間的相互關(guān)系提取融合特征，作為CNN輸入層數(shù)據(jù)，對(duì)模型分類性能提升有較大幫助。其次數(shù)據(jù)無(wú)需進(jìn)行人為特征標(biāo)注，充分利用模型特征輸出典型特征遺忘非相關(guān)因素，有效節(jié)約標(biāo)注時(shí)間，提高數(shù)據(jù)利用率。最后通過構(gòu)建CNN-LSTM分類模型融合數(shù)據(jù)特征，挖掘PSG信號(hào)在不同睡眠階段的相互關(guān)系，減少先驗(yàn)知識(shí)局限性的影響，達(dá)到較高的判定準(zhǔn)確性。

本文設(shè)計(jì)了基于ATMega328為主控芯片的一體式睡眠呼吸暫停監(jiān)測(cè)裝置，從5個(gè)不同維度采集睡眠呼吸信號(hào)，根據(jù)信號(hào)特征對(duì)數(shù)據(jù)進(jìn)行預(yù)處理后，利用低功耗藍(lán)牙傳輸至上位機(jī)。睡眠呼吸暫停分析程序是采用基于CNN-LSTM的算法，先對(duì)采樣數(shù)據(jù)進(jìn)行片段化處理，再進(jìn)行特征融合、波形提取及數(shù)據(jù)分類，并建立符合SAS診斷標(biāo)準(zhǔn)的預(yù)警機(jī)制。該裝置實(shí)現(xiàn)了以極少導(dǎo)線連接、較高舒適度的睡眠監(jiān)測(cè)，減少裝置對(duì)監(jiān)測(cè)期間睡眠的干擾，真實(shí)反饋睡眠呼吸情況。通過數(shù)據(jù)融合及深度學(xué)習(xí)技術(shù)在SAS判別的應(yīng)用研究，正確認(rèn)識(shí)SAS發(fā)生時(shí)序及進(jìn)展，制定合理的治療方案，采取有針對(duì)性的干預(yù)措施，對(duì)提高治愈率起到積極作用，同時(shí)極大節(jié)約專家判讀時(shí)間。

本研究將多個(gè)一維的數(shù)據(jù)融合成一個(gè)多維的數(shù)據(jù)，根據(jù)不同特征信號(hào)發(fā)生的時(shí)序關(guān)系，標(biāo)記發(fā)生呼吸事件所處的睡眠階段，下一步將優(yōu)化評(píng)分機(jī)制，通過權(quán)重值的設(shè)定減少嚴(yán)重程度的邊際影響效應(yīng)。固定窗口的時(shí)間序列也會(huì)受干擾信號(hào)的影響，導(dǎo)致模型在邊緣值的判讀上存在誤差，下一步將采用滑動(dòng)窗口采樣技術(shù)來(lái)改善分類。隨機(jī)選擇的被測(cè)者呼吸暫停的嚴(yán)重程度不一，無(wú)法做到數(shù)據(jù)全覆蓋，在三個(gè)關(guān)鍵AHI判讀點(diǎn)還需更多的積累。未來(lái)將微型化的采集板與睡眠呼吸機(jī)建立關(guān)聯(lián)機(jī)制，實(shí)現(xiàn)SAS患者治療閉環(huán)管理，減少專家主觀性和局限性，增加了程序智能化。