21、成人睡眠监测：可穿戴与非侵入技术的前沿探索

成人睡眠监测：可穿戴与非侵入技术的前沿探索

1. SpO₂信号与OSA检测

SpO₂信号在阻塞性睡眠呼吸暂停（OSA）检测中具有重要作用。研究发现，在AHI为39.4的受试者的SpO₂信号中，呼吸暂停事件常聚集出现。通过样本熵、中心趋势测量和Lempel - Ziv复杂度等方法，可以分别对正常睡眠和呼吸暂停时段的SpO₂信号特征进行测量。

多项研究表明，结合多个类别特征的OSA检测方法效果更佳，但分类器中特征数量超过三到四个时，性能提升并不显著。基于SpO₂的OSA筛查方法通常能达到80 - 95%的准确率，AUC为90 - 95%，具体数值取决于所使用的特征、数据集和AHI阈值。

2. 呼吸相关信号检测OSA

2.1 气流信号

AASM规则对呼吸暂停事件的视觉评分主要依赖于口鼻热传感器和鼻压力传感器测量的气流。研究人员开发了基于这些信号的自动检测方法：
- 当信号峰值幅度下降超过90%时，判定为呼吸暂停；下降超过30%时，可能为呼吸变浅。
- 然而，对于AHI较高的受试者，确定事件前的基线呼吸较为困难，且该定义难以转化为算法。呼吸和运动伪影也会增加自动算法提取基线的难度。
- Ciołek等人提出使用非线性滤波器进行稳健的气流包络跟踪，在此可靠基线上，当气流幅度下降超过预设阈值时，可应用基于规则的方法检测呼吸暂停和呼吸变浅。
- 但这些基于规则的方法无法区分呼吸变浅是否与觉醒或血氧饱和度下降相关。Koley等人提出了8秒窗口内呼吸幅度和间隔的统计特征，还提取了呼吸曲线的面积和长度以及频域特征，并考虑了每个特征值与受试者均值的偏差。

2.2 呼吸努力信号

<