《Frontiers in Digital Health》:Non-contact REM/NREM sleep staging from piezoelectric signals using respiratory and body-movement features with auxiliary TWED-based respiratory stability measures
编辑推荐:
摘要引言:基于床垫下压电传感的非接触式睡眠监测因其适用于低负担家庭场景而具有吸引力,但快速眼动睡眠(REM)与非快速眼动睡眠(NREM)的判别仍然具有挑战性。本研究旨在考察以时间扭曲编辑距离(TWED)为基础的呼吸间期序列(RIS)相似性特征所量化的呼吸模式稳
摘要引言:基于床垫下压电传感的非接触式睡眠监测因其适用于低负担家庭场景而具有吸引力,但快速眼动睡眠(REM)与非快速眼动睡眠(NREM)的判别仍然具有挑战性。本研究旨在考察以时间扭曲编辑距离(TWED)为基础的呼吸间期序列(RIS)相似性特征所量化的呼吸模式稳定性,是否能够提升睡眠内部两种主要睡眠状态之间的判别能力。
方法:研究人员同步采集了85例临床受试者的整夜压电信号与多导睡眠监测(PSG)数据。剔除PSG标注的清醒分期后,将任务定义为REM/NREM二分类。研究人员从压电信号中提取了常规体动特征、呼吸变异性特征以及多尺度TWED-RIS相似性特征。特征归一化在每位受试者内部基于整夜无标签特征分布完成,这与预期的事后整夜分析场景一致。研究采用XGBoost分类器,并使用按受试者划分的嵌套留一交叉验证(LOOCV)进行评估;REM连续性融合阈值在每个训练折内通过内部按受试者分组的5折交叉验证选取。另对呼吸信号提取结果进行了验证,并在静息测试与整夜测试中与PSG气流信号进行比对。
结果:特征归一化提升了所有特征集合的性能。最佳结果来自将常规体动与呼吸变异性特征同TWED-RIS相似性特征结合, 在嵌套LOOCV下获得84.39?±?12.76%的准确率、0.524?±?0.241的Cohen's Kappa系数、0.600?±?0.210的REM精确率、0.735?±?0.226的REM召回率以及0.603?±?0.211的REM F1值。与不含RIS相似性的归一化常规特征集相比,加入基于TWED的特征后,Kappa系数与REM F1值均得到提升。在呼吸测试中,源自聚偏二氟乙烯(PVDF)的呼吸信号在体位变化及整夜条件下均表现出较低检测误差,并与气流参考信号具有良好一致性。
讨论:上述结果表明,基于TWED的RIS相似性特征可在常规描述符之外提供有价值的互补信息,并支持利用源于非接触式压电信号的呼吸模式稳定性开展睡眠内部REM/NREM分类的可行性。就当前性能水平而言,该方法更适合被视为一种用于类家庭环境下离线整夜纵向监测与趋势评估的低负担辅助工具,而非替代基于PSG的临床诊断、实时睡眠分期或完整睡眠分期评分的方法。
本文发表于《Frontiers in Digital Health》,聚焦于非接触式家庭睡眠监测中的关键难题:如何仅依赖床垫下压电传感信号,在不使用脑电(EEG)、眼电(EOG)和肌电(EMG)等标准多导睡眠监测(PSG)信息的情况下,实现睡眠内部快速眼动睡眠(REM)与非快速眼动睡眠(NREM)的有效区分。睡眠分期是评估睡眠质量、解析睡眠结构并支持睡眠障碍诊断与管理的重要基础。尽管PSG仍然是临床金标准,但其设备昂贵、操作复杂、依赖专业技术人员,且电极附着和整夜仪器监测会对自然睡眠造成干扰,因此不利于居家重复监测和长期随访。基于这一现实需求,低负担、非侵入、可持续部署的睡眠监测技术受到广泛关注,其中床垫下压电传感因具备非接触、成本低、易安装和可连续采集呼吸、体动等微弱机械振动的优势,成为极具应用前景的路线。
现有非接触式睡眠分析研究主要依赖体动强度、呼吸频率或传统呼吸变异性指标进行分类,但这些特征更多描述瞬时幅值变化或窗口内波动程度,尚不足以充分刻画相邻时间窗之间呼吸模式的短时稳定性。论文指出,从生理机制看,NREM睡眠通常具有更稳定的自主神经调控和更规则的呼吸节律,而REM睡眠则伴随更高的呼吸不规则性、自主神经波动及骨骼肌张力显著下降。因此,REM与NREM的差异不仅体现为呼吸快慢,更体现为呼吸模式随时间的稳定性与可重复性差异。为此,研究人员提出以呼吸间期序列(RIS)为基础、利用时间扭曲编辑距离(TWED,一种同时考虑数值差异与时间错位的时间序列距离度量)量化相邻窗口呼吸模式相似性,从而把“呼吸稳定性”作为REM/NREM判别的辅助生物标志。
在技术方法上,研究人员纳入合肥市第四人民医院睡眠科85例临床受试者,同步采集整夜压电信号与PSG信号,并以人工标注PSG作为参照;剔除清醒(WAKE)时段后,将N1、N2、N3合并为NREM,构建REM/NREM二分类任务。压电信号经带通滤波、功率谱密度分析和峰值检测后提取RIS;随后构建体动特征、呼吸变异性特征以及30 s、270 s、390 s多尺度TWED-RIS相似性特征,并采用受试者内整夜无标签特征分布标准化。分类器使用XGBoost(梯度提升决策树集成模型),通过按受试者划分的嵌套留一交叉验证(LOOCV)评估,REM片段连续性阈值则在训练集内以分组5折交叉验证优化。
研究结果部分首先证实了压电信号呼吸提取的可靠性。
Respiratory signal extraction and assessment:研究人员为验证单个聚偏二氟乙烯传感器(PVDF)在体位变化和整夜睡眠中的呼吸提取鲁棒性,从85例队列中随机选取10例受试者,其中包括5例睡眠呼吸障碍(SDB)患者和5例非SDB受试者,开展静息测试和整夜测试。结果显示,在静息测试中,平均假阳性率、假阴性率和30 s呼吸频率误差均较低;在整夜测试中,无论非SDB组还是SDB组,PVDF推导呼吸频率与PSG气流参考均表现出较好的相关性和Bland–Altman一致性。该结果说明,基于床垫下压电信号提取呼吸节律在控制体位变化和真实整夜睡眠条件下均具备较好可用性,为后续RIS特征分析提供了可靠信号基础。
Feature normalization and classification performance:在分类性能评估中,研究人员比较了不同特征组合在归一化与非归一化条件下的表现。结果表明,特征归一化对所有特征集均带来性能提升,同时降低了性能指标的标准差,提示该步骤有助于缓解个体间呼吸生理差异。最佳模型为“体动特征(BM)+呼吸变异性特征(RV)+RIS相似性特征(RIS_S)”组合,在嵌套LOOCV下取得84.39?±?12.76%的准确率、0.524?±?0.241的Cohen's Kappa、0.600?±?0.210的REM精确率、0.735?±?0.226的REM召回率和0.603?±?0.211的REM F1值。与不包含RIS相似性特征的归一化BM+RV特征集相比,加入TWED特征后,准确率、Kappa和REM F1值均提高,说明呼吸稳定性信息不仅能补充传统体动和呼吸波动描述,还能在类别不平衡背景下增强REM识别能力。
Feature importance and physiological relevance:特征重要性分析显示,在全部50个特征中,排名靠前的多数为来源于270 s和390 s时间尺度的RIS相似性特征,其中最重要的3个特征均属于RIS相似性指标。这意味着较长时间上下文比短时间窗口更有助于呼吸驱动的睡眠判别,因为更长序列能够平滑低频漂移与偶发扰动,更稳定地反映呼吸控制模式。论文同时指出,大多数RIS特征在REM与NREM之间存在显著差异,且在整夜个体实例中,当受试者进入REM阶段时,TWED度量值会明显升高,反映出REM呼吸模式更不稳定、相邻窗口间相似性下降,这与其生理预期相一致。
Subgroup analyses of TWED-based features:为考察临床异质性是否影响TWED呼吸稳定性特征,研究人员开展了基于呼吸暂停低通气指数(AHI)和诊断类别的受试者层面亚组分析。按AHI分组后,AHI?≥?5组在方向上表现为NREM期TWED值更高、REM与NREM差异更小,但经Holm校正后未见统计学显著性。进一步在AHI?5子集中比较睡眠障碍相关组与精神/心理障碍相关组时,多数代表性TWED特征亦无显著差异,仅270 s尺度的一个REM–NREM差值特征出现校正后显著,但该结果孤立且未形成一致模式。作者据此认为,目前数据并不支持临床亚组定义与TWED呼吸稳定性特征之间存在稳健关联,这些发现更应被视为探索性描述。
Subject-level agreement of REM/NREM balance:研究人员还以受试者层面的REM/NREM比值(RORN)为指标,进行Bland–Altman分析,以评估模型输出与人工评分的一致性。结果显示,预测RORN与人工评分RORN之间的平均偏倚为?0.036,总体低估程度很小,但存在统计学显著且幅度较弱的比例偏倚,即随着平均RORN升高,估计误差略有增加。这表明该方法在总体趋势层面具有可接受一致性,但在REM占比较高的个体中仍可能需要进一步校准。
Comparison with prior literature:论文将本研究与既往文献进行了比较。与依赖心电(ECG)、体动记录、呼吸感应描记(RIP)、Apple Watch生命体征参数或弹道心动图(BCG)等多模态方案的研究相比,本研究仅使用单一床垫下压电传感器,同时从同一信号源提取呼吸与体动信息,显著降低了设备负担并增强了家庭部署便利性。尽管不同研究在队列规模、任务定义、传感模态、特征设计和评估协议上差异明显,不宜直接横向排序,但在单设备监测语境下,该方法展现出具有竞争力的REM/NREM判别能力。
讨论部分强调,本研究刻意将任务限定为睡眠内部REM/NREM二分类,而非完整睡眠分期,其核心目的在于验证呼吸模式稳定性能否提升两类主要睡眠状态的判别,而不是直接建立涵盖WAKE、N1、N2、N3、REM的全分期系统。因此,研究结果首先应被理解为:基于TWED的RIS相似性特征能够为REM/NREM区分提供有意义的补充信息,而非说明该框架已可替代完整临床睡眠分期。论文同时指出,该方法在应用上更适合作为一种低负担的离线整夜分析工具,用于类家庭场景中的纵向睡眠结构监测、夜间趋势追踪,以及在行为或药物干预期间开展重复随访,而不应被视为PSG临床诊断、实时睡眠分期或完整睡眠评分的替代方案。
论文也明确总结了局限性。首先,研究对象全部来自临床队列,包含呼吸和精神心理相关障碍受试者,缺少健康对照,因此结果的普适性仍需在更大、更均衡且包含健康人群的样本中验证。其次,尽管RORN层面平均偏倚较小,但比例偏倚提示模型误差在不同RORN范围上并不完全均匀,后续可能需要进一步模型校准。第三,本研究未纳入WAKE建模,实际应用中安静清醒尤其是入睡后清醒(WASO)可能被误判为睡眠,未来需构建独立的睡眠/觉醒分类器,并与当前REM/NREM模型整合为分层框架。
研究结论部分可概括为:本研究检验了由压电信号推导的呼吸模式稳定性能否改善REM与NREM睡眠判别。研究人员将常规体动特征、呼吸变异性特征与基于TWED的RIS相似性特征整合,并在嵌套交叉验证框架下评估XGBoost分类器。结果提示,TWED-RIS相似性特征可在传统体动和呼吸描述符之外提供有价值的互补信息,并提升REM/NREM区分能力。总体而言,研究结果支持利用非接触式压电信号所反映的呼吸模式稳定性开展睡眠内部REM/NREM分类的可行性。就当前性能水平而言,该方法更适合用于已完成整夜记录的离线分析及类家庭环境下的长期趋势评估,而非作为独立的临床诊断工具。未来仍需在更广泛人群和更全面的睡眠分期任务中进一步验证。