综述:人工智能在院外睡眠监测中的应用:弥合多导睡眠图与可穿戴设备信号之间的鸿沟

《Sleep Research》:Artificial intelligence in out-of-hospital sleep monitoring: Bridging polysomnography and wearable signals

【字体: 大 中 小 】 时间:2026年07月05日 来源:Sleep Research

编辑推荐:

  多导睡眠图(PSG)作为睡眠评估的参考标准(RS),其在大规模筛查中的可扩展性有限,这推动了可穿戴及非侵入式监测设备的研发。然而,这些设备采集的生理信号虽与PSG通道存在生理相关性,但并非完全等效,因此其临床应用的可靠性与有效性(Validity)需经审慎评估

  
多导睡眠图(PSG)作为睡眠评估的参考标准(RS),其在大规模筛查中的可扩展性有限,这推动了可穿戴及非侵入式监测设备的研发。然而,这些设备采集的生理信号虽与PSG通道存在生理相关性,但并非完全等效,因此其临床应用的可靠性与有效性(Validity)需经审慎评估。人工智能(AI)技术的出现为弥合PSG信号与可穿戴/非侵入式信号之间的表征差异提供了技术桥梁。本文综述了PSG信号在睡眠评估与睡眠障碍诊断中的核心作用,涵盖睡眠结构分析、呼吸事件检测及异常行为识别;并探讨了可穿戴及非侵入式睡眠监测设备(如智能手表、睡眠监测垫及雷达)在睡眠分期与常见睡眠障碍(如睡眠呼吸暂停)诊断中的研究进展,重点讨论了AI在上述设备中的应用,尤其关注构建可解释模型以提升院外睡眠监测临床可信度。本文旨在为开发低负担、易操作且可信的院外睡眠监测评估工具提供有价值的见解,以期促进oooooo睡眠障碍患者的早期发现、个性化管理及长期随访。
1 引言

睡眠是维持机体稳态、支持免疫功能、促进记忆巩固及调节情绪与神经认知的基础生理过程。根据美国睡眠医学会(AASM)标准,睡眠分为快速眼动(REM)睡眠与非快速眼动(NREM)睡眠,后者进一步细分为N1、N2、N3期。该分期系统具有重要的临床价值,因睡眠结构异常(如N3睡眠减少或REM睡眠抑制)与多种睡眠及神经精神障碍相关。

睡眠主诉与临床定义的睡眠障碍影响大量人群,并与心血管、代谢、神经认知及精神不良结局风险增加相关。慢性失眠障碍与睡眠呼吸障碍(SDB)是最常见的两类,分别影响约12.4%和15.4%的人口。模型估算显示,中国是全球受累人口最多的国家之一,约有1.76亿成人符合阻塞性睡眠呼吸暂停(OSA)现行诊断标准。慢性失眠患者中,约29%-35%同时符合OSA诊断标准,此种组合被称为失眠与阻塞性睡眠呼吸暂停共病。除失眠与SDB外,其他具有临床意义的睡眠障碍还包括周期性肢体运动障碍(PLMD)、不宁腿综合征(RLS)及日间过度嗜睡。

睡眠评估为睡眠质量提供客观指标,并为睡眠相关障碍(尤其睡眠呼吸暂停及睡眠相关运动障碍)的诊断提供关键信息。然而,庞大的睡眠主诉与障碍受累人群使得传统院内诊断模式难以满足人群层面筛查及长期随访的需求。因此,亟需建立采用低负担、易操作评估工具的院外睡眠监测系统。在此类系统中,人工智能(AI)已成为睡眠评估与障碍诊断的关键技术。然而,一个值得关注的问题是这些系统获取的信息是否足够可靠、有效且具有临床意义。应对这一挑战,可解释AI模型通过桥接院外生理信号与PSG衍生的临床知识之间的鸿沟,为增强院外监测的临床信心提供了有前景的解决方案。

2 睡眠评估的参考标准:多导睡眠图

评估院外睡眠监测的可靠性与有效性需首先明确参考标准。PSG被广泛认可为客观睡眠结构评估及多种睡眠障碍(尤其SDB、异态睡眠及睡眠相关运动障碍)诊断的参考标准。作为非侵入性的夜间医学检查,PSG同步记录多项生理指标以全面评估睡眠质量并识别潜在疾病。PSG连续记录十余项生理参数,包括脑电图(EEG)、眼电图(EOG)、肌电图(EMG)、心电图(ECG)、呼吸气流、胸腹呼吸运动、血氧饱和度(SpO2)、鼾声及体位。这些数据经睡眠技师分析生成睡眠结构、呼吸事件及肢体运动等关键报告,再由临床医师审核以提供临床诊断的客观依据。

PSG的核心作用包括:(1)睡眠结构与质量评估;(2)SDB诊断;(3)异常睡眠行为诊断;(4)治疗评估。

睡眠结构与质量评估方面,依据AASM睡眠分期标准,标准PSG配置包括EEG导联、EOG导联及颏下EMG信号,可实现睡眠分期的标准化分类及睡眠阶段比例、睡眠潜伏期、REM潜伏期、觉醒频率及睡眠效率等参数的定量评估。这些参数有助于刻画失眠表型并识别共病睡眠障碍,从而为个体化治疗策略奠定基础。PSG衍生的睡眠特征亦与神经精神及神经退行性疾病相关,如抑郁患者的REM睡眠特征改变,以及REM睡眠行为障碍(RBD)与帕金森病等突触核蛋白病的强关联性。睡眠片段化及睡眠时长异常亦与认知衰退和痴呆风险相关。

SDB诊断方面,PSG被公认为SDB的确定性诊断工具,可鉴别阻塞性、中枢性及混合性呼吸暂停/低通气事件,并以呼吸暂停低通气指数(AHI)定量疾病严重程度。同步ECG与血氧饱和度监测有助于评估夜间间歇性低氧对心脑血管系统的潜在影响。此外,PSG信号的先进分析还可支持OSA亚型分型,揭示不同亚型的潜在病因机制,为个体化治疗提供定量依据。

异常睡眠行为诊断方面,异常睡眠行为包括以梦境演绎行为及REM睡眠无肌张力弛缓(RWA)为核心电生理特征的RBD,以及NREM异态睡眠(如梦游、夜惊),还有RLS及PLMD。通过同步采集EEG、EOG、EMG及同步视频记录,PSG可记录睡眠期间的异常行为并将其与睡眠结构关联,为诊断提供客观证据、提高诊断准确性并指导靶向治疗。

治疗评估方面,对于接受持续气道正压通气(CPAP)治疗的OSA患者,PSG是压力滴定的标准方法,可确定消除呼吸事件同时平衡治疗效益与患者舒适度的最佳压力。在其他干预措施(如手术、口腔矫治器或药物治疗)中,治疗前后重复PSG可量化AHI、血氧饱和度、睡眠结构等客观睡眠参数的变化,为评估疗效及指导治疗优化提供客观依据。

尽管PSG作为参考标准的地位已确立,但其固有限制制约了其用于人群层面筛查及纵向随访,包括高昂成本、可及性有限、需要专业技术人员以及实验室环境睡眠的人为性等。这些限制推动了院外睡眠监测系统的开发与验证。

3 可穿戴及非侵入式睡眠监测的研究进展

3.1 监测模态概述

可穿戴及非侵入式睡眠监测的常见监测方式包括智能手表、睡眠监测垫、毫米波雷达及鼾声监测设备。不同监测模态捕捉不同的生理活动,各从不同生理维度提供信息。目前,可穿戴及非侵入式监测系统主要用于睡眠分期与SDB筛查两项任务。

3.2 在睡眠分期中的应用

AASM定义的标准睡眠分期基于EEG、EOG及EMG信号,而如前所述,多数可穿戴及非侵入式系统测量外周心血管、呼吸、声学或运动相关替代指标。既往研究表明,这些外周信号与睡眠阶段依赖的神经生理活动存在耦合,但该耦合的强度及稳定性因睡眠阶段、个体及疾病状态而异。即使同一模态(如光电容积描记法,PPG),不同研究报告的准确度差异显著(四分类准确度范围为71.6%-84.0%),反映出外周替代指标与神经生理睡眠状态的耦合并不稳定(取决于研究人群及睡眠阶段),且受信号特征及算法选择影响。综上,不同监测模态所反映睡眠相关信息的可靠性与有效性应审慎考量。

3.3 在睡眠呼吸障碍筛查中的应用

不同模态间可靠性与有效性的差异在SDB筛查中尤为突出。具体而言,联合鼻气流与血氧监测的可穿戴设备通常为呼吸暂停及低通气检测提供更直接的证据,取得更好的筛查效果。相比之下,许多非侵入式系统主要依赖间接机械、声学或心肺替代指标,如胸腹呼吸运动、体动、鼾声或脉搏血氧测定。值得注意的是,在OSA识别中,鼻气流与呼吸运动提供的诊断信息差异显著,单纯依赖呼吸运动信息识别睡眠障碍面临相当挑战。

4 可解释人工智能:弥合院外信号与PSG知识之间的表征鸿沟

尽管已开发出诸多AI模型以提升外周信号睡眠分期及睡眠障碍检测的准确度,其临床应用仍受关键问题——可解释性——的制约。临床医师不仅需要模型输出,更需要决策过程与既定生理及病理知识一致性的证据。缺乏可解释性的黑箱模型难以获得临床信任,从而阻碍其临床应用。因此,如何确保智能模型的可解释性并验证其是否受生理或病理知识支撑,已成为睡眠障碍智能诊断领域的关键问题。对此,以下三种互补策略可增强AI模型在睡眠医学中的临床可解释性,旨在桥接院外信号与PSG衍生临床知识之间的鸿沟,从而提升AI辅助睡眠评估及院外睡眠障碍初筛的可信度。

4.1 策略一:具有生理意义的输入

该策略确保模型输入扎根于生理知识,从而使从院外信号提取的信息与PSG定义的临床信息对齐。对于基于手工设计特征的模型,特征构建时应考虑生理可解释性。例如,时频分析中各频段的生理意义应在建模前予以阐明。对于端到端深度学习模型,可通过检验学习表征是否对应生理有意义的时间段、频段或信号通道来增强可解释性。

基于手工设计特征的模型中,特征选择可通过识别与目标任务最相关的特征进一步提升可解释性。例如,F-score方法基于类间与类内距离比评估特征,从而识别判别性特征,是分类问题的常用特征选择算法。此外,Kendall等级相关系数可用于评估特征与类标签的一致性,实现特征判别力的定量评估。在睡眠研究中,此类方法可能有助于识别对疾病分类或睡眠阶段判别有贡献的EEG连通性、频谱或自主神经特征。

4.2 策略二:可解释的模型推理

部分机器学习模型(如决策树、线性回归及逻辑回归)本身具有可解释性。这些模型的设计逻辑透明,可直接建立输入特征与输出结果之间的映射,使其推理过程易于理解。相比之下,深度神经网络等复杂黑箱模型需要事后解释或可视化方法辅助解读其预测。可视化可分析模型的构建逻辑,揭示输入信号中对决策起关键作用的特征,并促进模型输出与生理或疾病相关知识的关联解读。

例如,在基于深度学习的睡眠分期或睡眠障碍诊断任务中,可采用注意力可视化方法生成注意力热图或注意力权重分布图。对于依赖外周信号的院外监测系统,注意力可视化可揭示模型是否关注生理有意义的时段,如呼吸暂停后的心动过缓或呼吸努力波动,而非伪迹或非特异性信号变化。通过检验注意力权重与已知临床特征的对应关系,研究人员可评估模型决策与既定睡眠医学知识的一致性。然而,注意力权重不应被视为确定性解释,应与生理知识、基于扰动的验证及外部临床证据联合解读。此类分析有助于识别模型偏倚,提升基于AI的睡眠评估系统的临床可信度。

4.3 策略三:从PSG向可穿戴及非侵入式设备的知识迁移

该策略将睡眠知识及诊断信息从PSG显式迁移至为可穿戴或非侵入式设备设计的模型,涵盖迁移学习与知识蒸馏。迁移学习涉及在大规模PSG数据集上预训练深度学习模型,随后在较小的可穿戴及非侵入式设备信号数据集上微调。预训练层保留从PSG衍生的、具有生理可解释性的特征表征;微调模型处理外周信号时,其决策隐式受这些与PSG对齐的表征引导。知识蒸馏则训练使用外周信号的小型学生模型模仿使用PSG信号训练的大型复杂教师模型的行为。训练过程中,注意力机制可揭示学生模型从可穿戴及非侵入式设备信号输入进行预测时依赖哪些PSG特征。该方法不仅提升准确度,还通过使学生模型的决策基于PSG定义的生理知识来改善可解释性。这些迁移策略并不取代策略一或策略二,而是通过直接利用PSG作为先验知识来源与之互补,共同桥接院外信号与PSG临床知识之间的表征鸿沟。

综上所述,具有生理意义的输入、可解释的模型推理、以及从PSG向院外设备的知识迁移这三种策略,共同旨在桥接外周替代信号与PSG衍生临床知识之间的表征鸿沟,从而提升院外睡眠评估的临床可信度。需注意,可解释性本身并非终极目标,而是实现临床信任的工具。

5 展望

对可扩展睡眠评估的临床需求日益增长。尽管PSG仍是客观睡眠评估的参考标准,但其在院内场景中的局限 necessitate 院外睡眠评估与筛查系统的建立。展望未来,三个方向值得特别关注。第一,PSG捕获的丰富生理信息尚未被充分挖掘。除睡眠分期与事件检测外,基于AI的PSG信号分析可提取与睡眠结构、呼吸不稳定性、自主神经反应及疾病风险相关的生理意义生物标志物——近期研究已证明其预测多达130种疾病的潜力。第二,应将这些PSG衍生知识系统迁移至院外设备。如第4节所述,迁移学习与知识蒸馏为桥接外周信号与PSG临床知识之间的表征鸿沟提供了有前景的途径。第三,可通过多模态信号融合、个体化校准及前瞻性临床验证严格解决院外监测信息的可靠性与有效性问题。最终目标是构建一个可解释且可信的睡眠健康管理系统,实现从院内参考标准到院外普筛的无缝过渡,使可扩展、低负担的睡眠评估成为临床现实。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号