Обнаружение нарушений сна с помощью модифицированного алгоритма согласованного преследования — Matching Pursuit

Д. Зоммермайер, М. Швайболд, Б. Шёллер, Л. Гроте, Й. Хеднер, А. Больц

 MCC Gesellschaft f. Диагностическая система в Medizin und Technik mbH & Co.KG, Карлсруэ, Германия

 Лаборатория сна, кафедра легочной медицины, Гетеборгский университет, Швеция

 Институт биомедицинской инженерии, Университет Карлсруэ, Германия

Аннотация

Нарушения сна, помимо головных болей, являются наиболее часто упоминаемой проблемой у врачей общей практики.

Примерно 20% взрослых в западном мире страдают нарушениями сна, чаще всего апноэ во сне (сонное апноэ), которым страдают 2-4% взрослых людей среднего возраста. Поэтому требуется надежный амбулаторный скрининговый тест – обследование нарушений сна на дому, который легко выполнить и который не требует глубоких знаний медицины сна.

В этой статье представлен новый алгоритм на основе Matching Pursuit, который использует комбинацию SpO2 и информацию о пульсовой волне, полученную с помощью фотоплетизмографии, для расчета индекса респираторных нарушений (RDI). Кроме того, был построен «индекс вегетативного возбуждения» (AAI), чтобы отразить интенсивность пульсационных изменений, предполагающих внезапные всплески симпатической активности, связанные с пробуждением от сна. Алгоритм декомпозиции сигнала, основанный на словаре частотно-временных шаблонов паттернов — атомов (известный как «метод Matching Pursuit»), был модифицирован для анализа различных паттернов в фотоплетизмографических сигналах. Эффективность алгоритма была протестирована на 62 последовательных взрослых пациентах с подозрением на синдром ночного сонного апноэ, которые были направлены в лабораторию сна. На втором этапе были проанализированы и сопоставлены показатели вегетативных возбуждений в разных группах пациентов.

Разреженная аппроксимация — задача разложения сигнала, одновременно содержащего наименьшее число элементов и минимизирующего ошибку, по избыточному, не являющемуся линейно независимым множеству функций, называемому словарём. Существует два подхода к разреженной аппроксимации — Basis Pursuit и Matching Pursuit Алгоритм Matching Pursuit, является более современным и хорошо себя зарекомендовал. Один из первых алгоритмов разреженной аппроксимации — MP (Matching Pursuit) был разработан Mallat S. и Zhang Z. в 1993 году. Он представлял из себя итеративный процесс поиска элементов словаря, минимизирующих на каждом шаге ошибку аппроксимации.

Коэффициент корреляции между AHI, рассчитанным вручную, и автоматически рассчитанным RDI с использованием только каналов пульсовой оксиметрии составил r = 0,967. Анализ Бланда-Альтмана показал среднюю разницу -0,6 между двумя параметрами. Используя пороговое значение RDI ≥ 15 / ч для классификации SA, была достигнута чувствительность 96,2% и специфичность 91,7%. Среднее значение AAI значительно различается между здоровыми людьми и людьми с умеренным количеством респираторных событий, тяжелыми пациентами с сонным ночным апноэ и бессонницей.

Этот новый компьютерный алгоритм предоставляет простой и очень точный инструмент для количественной оценки ночного сонного апноэ и предоставляет важную информацию об автономной активности во время сна. Таким образом, такая система скрининга, по-видимому, предоставляет важную информацию для диагностики других заболеваний, таких как вегетативная невропатия или бессонница.

Ключевые слова: Matching Pursuit, скрининг сна, ночное сонное апноэ во сне, вегетативные возбуждения, алгоритм согласованного преследования.

1.Введение — ночное сонное апноэ: что это, методы диагностики

Апноэ во сне (ночное сонное апноэ) — распространенное респираторное заболевание, которое характеризуется повторяющимися эпизодами временного отсутствия или прекращения дыхания во время сна. Ночное сонное апноэ часто ассоциируется с патологическими состояниями, такими как сердечная недостаточность, гипертония, сердечно-сосудистые заболевания и цереброваскулярные заболевания.

Таким образом, растет понимание сонного ночного апноэ как потенциального фактора риска сердечно-сосудистых заболеваний.

Золотым стандартом диагностики сонного ночного апноэ во сне является ночная полисомнография (ПСГ) в лаборатории сна, которая требует больших затрат времени и денег, а доступность в некоторых областях ограничена.

Поэтому требуется надежный амбулаторный скрининговый тест (обследование нарушений дыхания во сне на дому), который легко и практично выполнять и который не требует глубоких знаний медицины сна.

Следовательно, для амбулаторного использования был предложен ряд альтернатив полисомнографу.

Пульсоксиметрия на первых порах привлекательна своей широкой доступностью и простотой применения. Уменьшение насыщения кислородом, обнаруженное пульсоксиметрией, используется для обозначения респираторных заболеваний. Но результаты предыдущих исследований показывают широкий диапазон чувствительности от 40% до 100% при сравнении ПСГ и пульсовой оксиметрии. Эти результаты можно объяснить влиянием других параметров на насыщение кислородом, таких как положение во время сна, фаза сна, частота дыхания и т.д.

Представленная работа представляет собой новый компьютерный онлайн-алгоритм для фотоплетизмографических сигналов, основанный на модифицированной процедуре Matching Pursuit. Изменения внутригрудного давления, которые вызывают частотную составляющую в измеренном дистальном сигнале пульсовой волны, анализируются, чтобы разделить сонное ночное апноэ на обструктивное и центральное. Кроме того, оцениваются морфологические изменения сигнала пульсовой волны, указывающие на внезапное изменение вегетативного тонуса, что позволяет оценить показатель качества сна и дает ценные сведения о состоянии вегетативной системы.

2.Материалы и методы

2.1. Принцип разработанного алгоритма.

Основная идея алгоритма состоит в объединении информации из нескольких сигналов пульсовой оксиметрии, полученных от одного датчика на пальце пациента. Можно принять во внимание дополнительную информацию, например, из сигнала потока если она доступна.

Оцениваются морфологические изменения сигнала пульсовой волны, свидетельствующие о внезапном изменении вегетативного тонуса. «Индекс вегетативного возбуждения» (AAI) был построен для отражения интенсивности пульсационных изменений, предполагающих внезапные всплески симпатической активности, связанные с пробуждением от сна и фрагментацией сна.

Сначала алгоритм вычисляет параметры амплитуды пульсовой волны (PWA) и частоты пульса (PR), которые берутся из нефильтрованного сигнала пульсовой волны (рисунок 1).

Рис.1 Расчет параметров пульсовой волны

амплитуды пульсовой волны (PWA) и частоты пульса (PR)

Все 3 сигнала — SpO2, PWA и PR — анализируются с использованием модифицированной онлайн-процедуры Matching Pursuit. Кроме того, отфильтрованный сигнал PWA анализируется, чтобы разделить респираторные события на обструктивные и центральные. Исходный алгоритм Matching Pursuit разделяет любой сигнал на линейные расширения форм сигналов, которые выбираются из словаря функций. Эти формы сигналов выбраны для наилучшего соответствия структурам сигналов.

Наконец, сохраняется набор параметров, показывающий наилучший показатель качества. Если LSE ниже определенного порога, будет скорректирован весь атом. В противном случае шаблон игнорируется.

2.2. Модифицированный алгоритм поиска совпадений

Разложение сигналов всех трех сигналов, SpO2, PWA и PR, было выполнено с помощью модифицированной и оптимизированной процедуры Matching Pursuit (MP).

Вместо полного словаря возможных шаблонов сигналов («атомов»), который требует много памяти, определяется производная функция, состоящая из трех подфункций. Функцию можно изменять с помощью пяти параметров, чтобы настроить ее на образцы сигналов в упомянутых сигналах.

Адаптация описанного атома к каждой выборке сигналов, что соответствовало бы классическому алгоритму MP, требует слишком больших вычислительных ресурсов. Следовательно, первые многообещающие позиции в сигналах идентифицируются путем анализа ослабления сигнала до заранее определенного порога. Чтобы оценить релевантность шаблона сигнала, степень качества определяется на основе наименьшей квадратической ошибки (LSE) между затуханием исходного сигнала и первой подфункцией.

В процессе оптимизации изменяются параметры первой подфункции. Наконец, сохраняется набор параметров, показывающий наилучший показатель качества. Если LSE ниже определенного порога, будет настроен весь атом. В противном случае шаблон игнорируется.

В случае настройки всего атома следующим шагом является определение приблизительной длительности паттерна с помощью критериев производной и амплитуды. Атом аппроксимируется с использованием того же расчета LSE, который уже использовался для первой части атома. При этом качество соответствия всего атома вычисляется и используется для принятия решения, отражает ли шаблон сигнала ослабление, которое представляет интерес для обнаружения событий сна.

2.3. Расчет трудозатрат

Как уже описано Murray et al. в 1967 г. изменения внутригрудного давления при самостоятельном дыхании можно было увидеть по периферическому пульсу.

Соответственно, анализируется активность компонента сигнала PWA в типичном диапазоне частот дыхания (~ 0,15-0,4 Гц), чтобы получить информацию об обструктивном или центральном характере респираторных событий. Поэтому переходные затухания в сигнале PWA удаляются с помощью фильтрации верхних частот. После этого сила частотной составляющей, которая отражает дыхательное усилие, определяется путем вычисления огибающей сигнала «усилия».

2.4. Определение физиологического состояния путем комбинирования обнаруженных паттернов MP

Алгоритм использует два варианта обнаружения респираторных событий:

— Снижение SpO2 на 4% с минимальной длиной в четыре секунды

— Снижение SpO2 на 3% и одновременное возникновение вегетативного возбуждения (определение см. ниже)

Чтобы обнаружить наличие или отсутствие дыхательного усилия, сигнал усилия, полученный из сигнала PWA, анализируется во время предполагаемой фазы респираторного события и рассматривается по отношению к средней амплитуде за 15 секунд до события. Окончательное решение принимается относительно «соотношения усилий» текущего события:

Соотношение усилий = Среднее усилие во время события / Среднее усилие перед событием

Поскольку изменения внутригрудного давления часто увеличиваются во время обструкции, возможны соотношения усилий > 1,0. Для обнаружения центрального события требуется отношение усилий явно меньше 1,0.

Термин «вегетативное возбуждение» используется для описания кратковременных реакций вегетативной регуляции. Эти события не обязательно связаны с возбуждением ЭЭГ. Существует значительный интерес к использованию удобных, неинвазивных маркеров симпатической активации в определенных ситуациях, например во время нарушений сна, таких как ночное сонное апноэ.

В этой работе «вегетативное возбуждение» определяется как увеличение частоты пульса и / или уменьшение амплитуды пульсовой волны. Есть три варианта определения вегетативного возбуждения:

— явное учащение пульса

— явное падение амплитуды пульсовой волны

— небольшое увеличение частоты пульса и небольшое уменьшение PWA одновременно

2.5. Субъекты

Точность автоматически рассчитанного RDI была проверена на 62 последовательных взрослых пациентах с подозрением на сонное ночное апноэ, которые были направлены в отделение медицины сна университетской больницы Сальгренска в Гетеборге. Характеристики пациентов, участвовавших в исследовании, перечислены в таблице 1.

Таблица 1. Характеристики пациентов

* ODI — индекс десатурации кислорода

Всем пациентам была проведена стандартная ночная полиграфия (PG) с помощью аппарата SOMNOcheck 2 (WEINMANN, Германия), который является признанным методом PG-диагностики (ночной полиграфии).

Данные ночной полиграфии PG были вручную оценены зарегистрированными специалистами по сну. Сонное апноэ оценивали с использованием стандартных критериев, установленных Американской академией медицины сна.

Для оценки выявленных вегетативных возбуждений были проанализированы пять групп. Таблица 2 содержит характеристики групп.

Таблица 2. Характеристики групп пациентов

3.Полученные результаты

89 пациентов завершили исследование ночной полиграфии PG в домашних условиях. Из-за технических проблем или утерянных датчиков у 27 субъектов не было анализируемых данных (анализируемый поток и фотоплетизмографические сигналы) в течение более 3 часов.

3.1. Оценка AHI вручную по сравнению с RDI

Поскольку невозможно определить, было ли падение сатурации SpO2 вызвано ночным сонным апноэ или гипопноэ в отсутствие сигнала потока, индекс респираторных нарушений (RDI) рассчитывается с помощью сигналов пульсовой оксиметрии. Коэффициент корреляции между AHI с ручной оценкой и автоматическим RDI составил r = 0,967. Анализ Бланда-Альтмана показал, что средняя разница между двумя параметрами составляет минус 0,6. График корреляции автоматического RDI и AHI, оцениваемого вручную, можно увидеть на рисунке 2.

Рисунок 2. Корреляция автоматического RDI и ручного AHI

3.2. Диагностическая способность RDI

Наличие синдрома ночного апноэ во сне определяли по пороговому значению ≥ 15 / ч (рекомендации ICSD-28), чтобы подтвердить диагностическую чувствительность и специфичность автоматически рассчитываемых RDI. При 96,2% для чувствительности и 91,7% для специфичности оба значения были обнаружены> 90%.

3.3. Характер болезни

Коэффициент корреляции Пирсона для обструктивного RDI и вручную оцененного обструктивного AHI составил 0,95, коэффициент корреляции центрального RDI (c RDI) и вручную оцененного центрального AHI (c AHI) составил 0,86. Средние ошибки между ручными и автоматическими показателями составляли от минус 0,2 / час до минус 0,1 / час. Преобладающий характер заболевания правильно выявлен во всех 62 случаях.

3.4. Вегетативные возбуждения у разных групп пациентов

Среднее значение AAI (событий / час) в здоровой группе составило 19,9 (± 5,0), для людей с умеренным количеством респираторных событий — 32,7 (± 13,7), тяжелым ночным сонным апноэ — 56,1 (± 16,4), диабетом — 21,3 (± 12,0) и бессонницей 34,8 (± 9,8). AAI значительно различались между здоровыми людьми и людьми с умеренным количеством респираторных событий (независимый t-критерий, p <0,05), здоровыми и тяжелыми пациентами с сонным ночным апноэ (p <0,005) и здоровыми и страдающими бессонницей (p <0,005).

Рис.3 AAI и ODI в разных группах пациентов

4.Обсуждение

Представленный алгоритм объединяет информацию нескольких сигналов, исходящих от одного датчика пульсовой оксиметрии.

Экономия ресурсов и точный онлайн-анализ, основанный на процедуре Matching Pursuit, предоставляет точную информацию о времени и частоте обнаруженных шаблонов. Если посмотреть на несколько характеристик и хронологические элементы, эти закономерности сочетаются с физиологическими нарушениями сна, такими как респираторные события и вегетативные возбуждения.

Достигнутые результаты явно находятся в пределах ожидаемого разброса вариабельности результатов ручного анализа AHI между разными участниками. Известные алгоритмы, а также ручные счетчики показывают наибольшую вариабельность результатов, особенно в случае легких респираторных явлений (гипопноэ, сплющивание), которые часто вызывают только небольшие падения сатурации SpO2. Представленный подход оценивает диагностическую ценность небольшого снижения сатурации SpO2 путем проверки релевантности паттерна путем проверки наличия сопутствующих вегетативных возбуждений.

Таким образом, автоматизированный подсчет баллов дает возможность устранить проблему вариабельности показателей и региональных различий в критериях AHI.

Поскольку такой алгоритм может использоваться в простых устройствах для скрининга дома у пациента, возможно измерение нескольких ночей подряд. Это дает врачу информацию о вариабельности в ночное время, а также доступ к дополнительной информации, которую нельзя получить при исследовании за одну ночь, например изменяя ночные переменные, такие как потребление алкоголя или положение во время сна.

5.Выводы

Мы использовали новый алгоритм, который выполняет скрининг сна только с помощью данных пульсовой оксиметрии. По сравнению с предыдущими отчетами разработанный алгоритм предлагает отличную диагностическую чувствительность (> 95%) и специфичность (> 90%). Кроме того, он предоставляет информацию об обструктивном или центральном характере заболевания.

Показатели «вегетативных возбуждений» существенно различались в разных группах пациентов, что может иметь полезное диагностическое значение. В сочетании с другими параметрами (например, ODI) AAI, по-видимому, предоставляет важную дополнительную информацию о вегетативной регуляции во время нормального и нарушенного сна. Новый алгоритм работает онлайн и оптимизирован с точки зрения потребления памяти и вычислительной мощности, поэтому его можно реализовать и протестировать в стандартной встроенной системе.

Представленная методика позволяет проводить очень простой, удобный и точный скрининг сна.

Эта работа была предоставлена Министерством образования и науки Германии (BMBF).