基于人工智能的睡眠呼吸暂停综合症检测方法与相关机理研究

The Sleep Apnea Syndrome (SAS) is a harmful sleep chronic disease of the general population, yet it occurs in high incidence. Uncontrolled SAS may cause several serious complicating diseases, such as, Cardiovascular disorders, Nervous system diseases, Digestive diseases, Urinary system diseases, Metabolism disorders and so on. However, the etiology and pathogenesis of SAS syndrome have not been well delineated, which reciprocally motivate the development of new methods for detecting SAS syndrome. According to the previous clinical studies, because of the ”White coat effect”, the Polysomnography system has potential limitations. With the benefit of the Internet technologies, in this study, we aim to develop a home-based long-term monitor platform for unobtrusively measuring multiform vital signs, such as respiratory signal, heart sound, information of body motion, Photoplethysmogram (PPG) signal, as well as the information of snoring. These signals can be automatically transmitted to the workstation in the remote end. To overcome the limitations of the existing single-factor detection methods, a full automatic multifactor decision-making method for the detection and assessment of SAS is presented based upon the Detrended Fluctuation Analysis (DFA), Teager energy operation and Fuzzy logic inference. The relationship between the SAS syndrome and the single vital sign will be quantitatively investigated. The major objective of this study is to provide an important tool to reliably detect and diagnose the SAS syndrome.

睡眠呼吸暂停综合症（sleep apnea syndrome, SAS）是一类发病率高、潜在的严重危害健康的睡眠慢性疾病。持续的呼吸暂停会造成组织长期缺血、缺氧，进而导致心血管系统功能永久性损害。探究SAS发病机制及生理表现，并在此基础上寻找有效的检测与诊断方法是目前该领域研究的重要方向之一。传统的多导睡眠检测系统，由于潜在的生理与心理影响具有一定的局限性。本研究拟利用无扰式睡眠监测平台，在患者自然睡眠的状态下，同步记录受检者多模态生命体征信号（呼吸、心音信号、脉搏波信号等）。采用长程分析的去趋势波动分析理论、可同时提取信号时频特征的Teager能量算子对多模生理信息进行量化并建立睡眠事件分类模式库，构造基于模糊逻辑的多元模式库融合的专家决策系统，实现自然睡眠过程中SAS的自动、准确的检测方法。期望为SAS的检测方法提供新途径，为SAS病症的全面、深入研究提供理论基础和技术支撑。

在众多睡眠疾病中，睡眠呼吸暂停综合征(sleep apnea syndrome, SAS) 对人类健康威胁最大。SAS 可能导致组织长期缺血、缺氧，对心血管系统有潜在的损害。传统的诊断SAS的“金标准”是多导睡眠监测系统（Polysomnography，PSG）；但PSG系统的测试需要在医院里使用，同时需要专人人士操作；它对患者的生理、心理，睡眠等形成干扰。无扰式（或低生理负荷）、低成本、仅测几个核心参数的居家式睡眠检测系统在对SAS 的预防和早期发现具有明显的意义。本项目建立和实现居家低干扰或无干扰睡眠监测平台，服务于SAS患者便携式硬件的设计、性能评估和结构优化；并且完善前端模拟生理信号的优化采集，为多通道多模态生理信号的采集提供基础和技术支撑。分别提出了单模体征信号导出的生理信息，例如心率（心律）、呼吸信息、脉搏波传播时间、第二心音信息和血氧饱和度信息等构建睡眠事件的分类知识库；构造预计信息熵和字符编码的的数学模型，再构建隶属函数结合心肺耦合原理（Cardiopulmonary Coupling，CPC），建立睡眠事件的知识库与模板集的数学量化关系。然后建立深度计算决策系统。研发建立的可用于居家SAS检测的数据分析方法和设计平台，完善了基于多生理指标融合的检测方法；研发原型系统的部分生理指标通过了第三方检测评估，为实现临床医学转化提供基础数据。相关的部分技术已经孵化科技企业一家并形成产品生产和销售，在国内处于领先的水平。设计了一种新型的基于对数域的针对低频生理信号前端模拟放大芯片。取得较高的共模抑制比的同时，降低了系统的功耗，具有较好的市场应用前景。我们提出了基于符号动力学变化和香农熵的心律失常检测方法；并采用国际上通用的数据库与现有文献算法对比，该算法在灵敏度、特异性、准确度、阳性预测值方面均具有较大的优势。该方法在临床与日常SAS监测上可能具有重要的应用价值。该项目的支持下提出了一种新的基于心肺耦合原理的非接触式SAS评估方法及装置，无需穿戴传统的心电设备，可连续长期的获取患者的生理数据，具有较好的应用前景。