20、成人睡眠监测：可穿戴与无创技术的应用与挑战

成人睡眠监测：可穿戴与无创技术的应用与挑战

1. 睡眠分期研究现状

在健康人群的睡眠分期研究中，有研究通过留一交叉验证（LOOCV），在 4 类 WRLD 任务中实现了 69%的总体准确率，κ 值为 0.52。2017 年 Fonseca 等人的研究纳入了 152 名健康受试者的更大数据集，不过排除了呼吸信号，其在 WNR 和 WRLD 任务中的表现有所下降，部分原因是输入信号数量减少。但实际上，从光电容积脉搏波（PPG）信号理论上可推导出呼吸率，这对检测快速眼动（REM）睡眠可能有益。

此前，已有基于可穿戴 PPG 对健康人群进行睡眠分期的研究。然而，对病理人群（如阻塞性睡眠呼吸暂停，OSA）进行睡眠分期同样重要，因为总睡眠时间是评估病情严重程度的重要指标。Uçar 等人和 Casal 等人在 OSA 人群中应用了睡眠 - 觉醒分类，由于病理人群的数据处理更具挑战性，这些研究使用了非穿戴式 PPG 信号，不过也为将这些算法与可穿戴设备信号集成提供了可能。

2. 可穿戴系统信号处理挑战

2.1 运动敏感性

运动对可穿戴设备信号处理的影响具有两面性。一方面，运动在总体心冲击图（BCG）信号中引入过多噪声，阻碍了心跳间期（IBI）提取和心率变异性（HRV）分析；另一方面，它能提供患者睡眠结构的有价值信息，类似于活动记录仪。剧烈运动主要与觉醒阶段相关，可弥补 HRV 信息的缺失。此外，纳入运动信息有助于区分觉醒和 REM 睡眠，因为这两个阶段的心脏活动特征相似。

2.2 设备同步性

可穿戴设备与标准设备（如多导睡眠监测系统，PSG）的同步具有重要意义。它能实现对可穿戴信号的质量控制，通过比较从两