人工智能辅助贴片式心率变异性分析在阻塞性睡眠呼吸暂停检测中的应用研究

《Nature and Science of Sleep》：Patch-Type Heart Rate Variability Analysis with Artificial Intelligence for Detection of Obstructive Sleep Apnea

本综述重点介绍了结合人工智能（AI）与贴片式心率变异性（HRV）分析器进行阻塞性睡眠呼吸暂停（OSA）筛查的创新方法。研究通过分析心电图（ECG）信号衍生的时域、频域及非线性HRV指标，开发出新型心血管低通气指数（CVHI）AI模型，在AHI>15截断值下筛查中重度OSA的准确率达81.4%，为家庭化、低干扰的OSA筛查提供了新策略。

　　

摘要

背景

阻塞性睡眠呼吸暂停（OSA）影响着数百万人，但常见的筛查工具如血氧仪和ApneaLink^?可能会降低睡眠质量且准确性有限。

方法

研究招募了277名有自我或家属观察到的打鼾的成年人。所有参与者均通过ApneaLink^?进行家庭睡眠呼吸暂停测试（HSAT），并同时使用贴片式心率变异性（HRV）分析仪进行整夜监测。经过严格的数据质量控制后，剩余86名受试者。研究对来自心电图（ECG）信号的HRV指标进行了时域、频域和非线性域分析。采用留一法验证，开发了一个结合了新型心血管低通气指数（CVHI）的人工智能（AI）模型。

结果

AI模型达到了81.4%的准确率，优于基于人口统计学特征的模型（73%）和先前基于ECG的筛查方法（70.6%）。在呼吸暂停低通气指数（AHI）截断值为15时，该模型对中重度OSA表现出强大的分类能力（AUC >0.8）。

结论

结合AI分析的贴片式HRV分析仪为OSA筛查提供了准确、低干扰的方法，适用于大规模的临床和家庭使用。

引言

OSA是一种睡眠期间上气道塌陷或阻塞导致的睡眠障碍，引起呼吸暂停和睡眠质量下降。OSA与多种并发症相关，如高血压、心血管疾病、2型糖尿病甚至心源性猝死。其患病率高，但诊断不足现象普遍。

多导睡眠监测（PSG）是诊断OSA的金标准，但其操作复杂、成本高，限制了广泛应用。家庭睡眠呼吸暂停测试（HSAT）更为便捷，但通常需要连接多个传感器，可能影响睡眠舒适度和自然行为。随着技术进步，便携式单导联ECG设备，特别是贴片式设备，因其舒适性和良好的用户依从性，为长期生理睡眠评估提供了可能。

先前研究表明，夜间ECG信号可用于量化心率周期性变化（CVHR），作为OSA的筛查手段。然而，早期算法依赖的特征有限，无法全面反映OSA的严重程度和频率。本研究旨在利用贴片式HRV分析仪记录的HRV指标，结合AI方法，开发更准确的OSA筛查和预后监测模型。

材料与方法

本研究招募因打鼾就诊的患者。使用ApneaLink^?设备进行HSAT作为OSA筛查的参考标准。同时，使用由国立阳明交通大学开发的贴片式HRV分析仪监测夜间生理信号。该设备记录ECG信号和3轴加速度计数据，并可计算HRV相关指标。

纳入标准为18岁以上成人，且有自我或家属观察到的打鼾。排除标准为存在持续性心律失常。最初纳入277名参与者，经过数据清理（如信号质量差、记录不完整等）后，最终86名参与者的数据用于分析。

从ECG信号中提取R-R间期（RRI）时间序列，并计算时域（如SDNN, RMSSD）、频域（如TP, VLF, LF, HF, LF/HF）和非线性（如熵、多尺度熵）HRV指标。此外，还分析了ECG的R波和S波振幅。总共为每位参与者生成了375个HRV相关指标。

数据分析包括三部分：基本人口统计学数据、实验室软件量化的HRV指标、基于RRI和ECG R-S波振幅的时域、频域和非线性指标。以HSAT计算的AHI将OSA严重程度分为三类：AHI ≥ 5（轻度），AHI ≥ 15（中度），AHI ≥ 30（重度）。采用留一法交叉验证（LOOCV）构建多元线性回归模型，严格防止数据泄露和过拟合。通过受试者工作特征曲线（ROC）和混淆矩阵评估模型性能。

结果

研究开发了三个模型：

• •
  模型1：仅基于年龄、身高、体重、体重指数（BMI）等基本人口统计学参数。
• •
  模型2：增加了实验室软件量化的40个时域和频域HRV参数。
• •
  模型3：进一步纳入了基于RRI时间序列和ECG R-S波振幅的时域、频域和非线性指标，共375个参数。

模型3表现最佳，其构建的新指标被命名为心血管低通气指数（CVHI）。CVHI由四个关键特征构成：R-S振幅峰度的中位数、心率调制率的中位数、VLF功率的第65百分位数、心率复杂性（熵）的中位数。CVHI的计算公式为：CVHI = 20.68 + 6.90×x₁+ 0.98×x₂– 0.22×x₃+ 1.24×x₄。

在区分中重度OSA（AHI > 15）方面，模型3的准确率达到81.4%，AUC为0.81，灵敏度为83.7%。其性能优于模型1（准确率73%）和模型2（准确率68%），也优于此前报道的结合ECG和加速度计的筛查方法（准确率70.6%）。

讨论

睡眠监测技术正从医院PSG向家庭化、可穿戴设备并结合AI的方向发展。贴片式ECG/HRV设备因其便携、舒适性，在OSA筛查中展现出潜力。然而，仅依靠单一心脏信号其准确性仍有限制。

本研究的创新之处在于首次综合应用AI分析HRV、R-R间期时序及信号振幅来筛查OSA。CVHI指标整合了ECG信号的全面信息，而非依赖单一特征，从而显著提高了筛查准确性。CVHI的组成部分反映了与OSA相关的自主神经和心血管调节变化。

本研究的局限性包括样本量相对较小、单中心招募、以及使用HSAT而非PSG作为金标准可能引入误差。未来需要通过多中心研究、扩大样本量以及探索其他机器学习算法来进一步验证和优化模型。

结论

本研究成功开发了基于贴片式HRV分析仪的新型指标CVHI。该AI模型在筛查中重度OSA（AHI > 15）时表现出高准确率（81.4%）、良好的灵敏度（83.7%）和判别能力（AUC 0.81）。这表明结合AI的贴片式HRV分析是一种有前景的、可用于临床和家庭的准确、低干扰OSA筛查工具。