点击显示 收起
【摘要】 目的 探讨一种新的无捆绑、无粘贴技术的监测方法，同时也是为了用于对睡眠呼吸障碍性疾病的初筛检查，也为进一步开展小区级网络监测提供一种思路。 方法 在分析基于枕垫监测睡眠呼吸障碍性疾病方法思路的基础上描述了以ADuC814处理器为核心的整个监测系统的构成，并对采集的数据加以分析，给出了基线调整和睡眠呼吸暂停分段算法。 结果 本研究可以用于监测睡眠呼吸暂停的监测。 结论 对于枕垫的结构还需要进一步完善，以便能实用化。对于现有算法的科学性仍需进一步验证。需要临床数据进一步验证。需要进一步考虑体位的判断问题。
关键词 睡眠呼吸暂停 睡眠呼吸障碍 睡眠呼吸监测 ADuC814 小区级监测
Research in a new way on monitoring sleep apnea syndrome
Dong Tiezhuang，Zhang Xiaoquan，Wu Qing
School of Electronic Information and Control Engineering，Beijing University of Technology，Beijing100022.
【Abstract】 Objective To develop a new way to monitor the sleep apnea syndrome（SAS）without restraint to patients，to give a initial check to patients，and also to give a discussion on community-monitoring.Methods On the basis of analyzing the theory of this model，the system consisted of microcomputer with ADuC814was described and the algorithm of data was analysed，baseline adjust and stage sleep apnea，was also proposed.Results We could monitor SAS by this way.Conclusion The structure of pillow should be improved further to put the device into prac-tice.The technical problems on algorithm，clinical data，and body position should be considered in the next step.
Key words sleep apnea syndrome sleep apnea hypopnea syndrome monitoring respiration in sleep A-DuC814 community-monitoring
睡眠呼吸障碍性疾病（睡眠呼吸紊乱），尤其是睡眠呼吸暂停低通气综合征（sleep apnea hypopnea syndrome，SAHS）是一种严重的睡眠呼吸障碍性疾病，有相当高的发病率和病死率，越来越受到医学界和社会各界的重视 ［1］ 。在研究和临床中，已证明睡眠呼吸紊乱与心血管疾病、高血压等内科疾病有着很强的相关性 ［2］ 。
1 关于睡眠呼吸障碍性疾病
1.1 有关SAHS的临床诊断方法 依靠典型病史和临床表现初步诊断SAHS并不十分困难，但为了更准确的诊断、分型、估计疾病轻重程度，应该依赖于客观的检查方法。检查方法有以下几种:影像学检查、鼻咽镜、声反射、多次小睡潜伏时间试验、最大呼气流量-容积曲线、多导睡眠图诊断（polysomno graphy，PSG）。目前的监测和诊断方法中，多导睡眠图诊断已经成为诊断睡眠呼吸障碍性疾病的“金标准”。PSG对患者睡眠整夜监测记录脑电图、眼动图、肌电图，用热敏电阻测定鼻和口腔气流阻抗或电阻式测定胸腹式呼吸、心电、脉搏，用血氧饱和度计监测SaO 2 等 ［3］ 。
由于PSG检查费时、费人力、价格贵，为了能在更自然条件下进行检查，临床上往往先对患者进行初筛检查。睡眠时仅观测患者口、鼻呼吸和SaO 2 ，这种检查简便，费用低廉 ［3］ 。目前对该病进行初筛用的仪器有呼吸心律检测仪、呼吸暂停检测仪、血氧饱和度仪、便携式记录盒等。监测SaO 2 和呼吸气流等指标可以作为初筛检查。
1.2 关于无捆绑、无粘贴睡眠呼吸监测技术 从以上检查方法可以看出，都有一些共同的地方:（1）检测地点是在医院或睡眠呼吸诊疗中心，对于患者来说是一个陌生的环境;（2）操作人员必须是有丰富睡眠监测经验的医护人员;（3）监测时均需要在患者身上捆绑或粘贴许多电极。为使睡眠呼吸监测更加舒适、自然，也为进行大规模流行病学的调查，同时也为能建立在居家环境下适用的睡眠监测系统，借此取代在诊疗室或医院陌生的入睡环境以及不舒服的大量电极与讯号线，因此人们开始进行无捆绑、无粘贴睡眠呼吸障碍性疾病监测技术的研究。
以俞梦孙院士为首的一批航空医学专家设计制作了充气式微动灵敏床垫，这种床垫式睡眠监测系统是在飞行员平时睡觉的床上加一床垫子，它能把飞行员睡眠状况准确的记录下来，这项技术不仅能保证飞行安全，也有重要的实用价值 ［3］ 。第四军医大学生物医学工程系的王海滨等学者也曾研究了一种非接触检测技术———雷达非接触检测系统来监测睡眠呼吸情况 ［4］ 。国外的相关研究也有很多:如1981年，芬兰的Alihanka等学者用静电荷灵敏床原理记录心脏活动、呼吸和体动等生理信号 ［5］ ;1999年，Stanford大学的设计研究中心与DVA Polo Alto健康关护系统的康复研发中心合作研制了SleepSmart产品，可以在生活方式和睡眠环境不改变的前提下，了解睡眠质量。它能测得体温、体位和体动、接触压力和呼吸率 ［6］ 。日本的Tatsuya HARADA等学者研究了用枕头的压力变化监测病人睡眠，他们通过对人体睡眠呼吸时枕头的受力分析，提出并设计了一套睡眠呼吸监测枕垫，整个系统称为“传感器枕头系统”。它是由位于枕头下面的压力传感器（压敏电阻）阵列采集信号，然后由微处理器进行数字化，再送入PC机进行存贮、分析 ［7］ 。
2 研究思路的提出
本文所论述的睡眠呼吸监测方法的研究思路来自于Tatsuya HARADA等学者的有关人体睡眠呼吸时枕头的受力分析。Tatsuya HARADA等学者的睡眠呼吸监测的实现形式比较昂贵，对于开展家庭医疗监测和小区级的监测网络系统实现起来有很大难度。另外若该方法作为睡眠呼吸障碍性疾病初筛的一种方法，还缺少一个很重要的指标—血氧饱和度。为开展家庭和小区级卫生机构的睡眠呼吸监测，并用于睡眠呼吸障碍性疾病的初筛，笔者提出了以下的思路（见图1）。
图1 系统的方框图（略）
本监测系统主要通过枕垫监测睡眠时的呼吸情况，可同时监测血氧饱和度和鼾声。这三类信号经过放大、滤波等环节送入中央数据处理单元进行信号处理、融合、存储等操作。并可以显示当前被监测人的状态和系统的工作状态。当发生睡眠呼吸暂停，并且微处理器判断有必要报警时，会给出声光警告指示。
本系统的一个重要的特征是，当监测完一个过程后，数据还可以通过TCP/IP的方式被传送到医院专门的睡眠呼吸研究诊室，以便对数据作进一步分析。这也是开展网络化医疗的一个重要步骤。
本文以下内容将主要讨论用枕垫监测睡眠呼吸的软硬件实现。
3 枕垫睡眠呼吸监测电路的硬件实现
枕垫式呼吸检测系统的硬件构成（见图2）。
3.1 枕垫部分 枕垫部分的结构（见图3）。该枕垫由3部分组成-上板、气囊、下板。为了保证测量的准确性，对于上、下板的要求是:不易发生形变。这样头部的压力可以尽可能多的作用于气囊上。中间的气囊对称性排布，呼吸时头部作用于枕垫的压力会随之有微小的压力变化，通过导气管将这种变化作用于压力传感器，从而测定睡眠时呼吸的变化。
3.2 压力传感器-24PCBFA6D 压力传感器采用的是Honeywell公司的微型压力传感器24PCBFA6D。该传感器采用的是硅材料，可以测量负压、正压、绝对压力。如果采用2mA恒流供电就可以显著的改善灵敏度温漂，这也为简化后续处理电路带来了方便。
3.3 放大部分和信号传输部分-XTR101、RCV420 放大部分和信号传输部分采用的是BURR-BROWN公司的XTR101和RCV420。XTR101是精密低漂移的4～20mA信号发生器，其内部有精密的仪表运放和可以给压力传感器电桥供电的电流源。RCV420用于将4～20mA信号转换为0～5V标准信号，其内部集成有非常精确的电阻网络，转换精度很高。
3.4 滤波器的设计 由于呼吸信号的频率范围为8～100次/min，为测量其动态变化，要求测量系统应该具有0.05～10Hz的频响范围。在设计中还应该充分考虑噪声和干扰的影响，如高频噪声、50Hz工频干扰等，通过设计一定的滤波器来滤除。在本设计中，设计了一个有源二阶低通滤波器，截止频率为40Hz，试验证明可以滤除上面所说的噪声和干扰。
图2 系统硬件组成框图（略）
图3 枕垫部分的结构（略）
3.5 信号的分析和A/D转换器的选择-ADuC814（ADI）内部的A/D 从测量信号本身考虑，要求测量系统:（1）尽可能准确反映信号的变化。因而需要选择一个恰当位数的A/D转换器。（2）及时反映信号的变化。这就需要选择高转换速率的A/D转换器。另外还需考虑设计的简便性，易调试性和整个系统运行的可靠性。
鉴于以上几点，本系统中采用的是美国模拟器件公司（ADI）的带6路12位A/D的CPU-ADuC814。
3.6 CPU的选型-ADuC814 CPU主要负责采集压力数据和串行通讯，51系列单片机就可以满足要求，本系统中选用的是ADI公司的ADuC814。
ADuC814是一款高性能51内核的微处理器。内部有8K的Flash程序存储空间，640字节的Flash数据存储空间，256字节的RAM，外接晶振为36.768KHz（内部可以最高倍频到16.78MHz），有3个16位的定时器/计数器，11个中断源，6路247kSPS转换率的ADC。最重要的一个特征是它支持通过串行口在线下载和在线调试功能 ［9］ 。而且该串行口还可以用作与PC机的串行通讯接口。
4 数据分析与处理算法
4.1 基线调整算法
4.1.1 基线调整问题的提出 （见图4a）是一路信号5min内睡眠呼吸对枕垫形成的压力变化波形。从波形可以看出，呼吸暂停变化能够被清楚的测得。但由于有温漂、器件本身稳定性及体位动作等因素的影响，波形存在明显的基线漂移。为了进一步进行数据分析，必须进行基线调整。
图4a 单路信号的原始数据（略）
4.1.2 基线调整算法-基2平均值的基线调整算法 基线调整的方法有很多，如曲线拟合法 ［8］ 、中值滤波法 ［9］ 、小波变换法 ［10］ 等等，每种方法都有其优缺点。考虑到下一步需要把算法移植到嵌入式处理器内，要求程序占用空间尽量小，所以不要求大运算量。经过对以上算法的分析，都不太适合于我们的应用。于是，我们提出了一种新的基线调整算法-基2平均值的基线调整算法。
算法思路如下:首先计算总采样数据的平均值γ 0 ，然后以该值为基准进行调整。首先判断所采集的数据个数是否能用2的指数来表示，如不可以，就以均值γ 0 补齐成2的指数个数据，然后将数据等分成2份。对每一部分数据分别计算均值为γ 1 和γ 2 ，再分别计算与γ 0 的差值（γ 1 -γ 0 ）和（γ 2 -γ 0 ），根据这2个差值分别调整两段数据，使其接近平均值γ 0 。重新计算全部数据的平均值γ i 以及γ i 与γ 0 的差值的绝对值|γ i -γ 0 |，判断该绝对值是否小于预先设定的阈值ε 0 ，如果不小于，则将上面的数据段进行更细一级的等分，即将窗口宽度减半，进行新一轮的计算，直到绝对值|γ i -γ 0 |小于预先设定的阈值ε 0 为止。算法的流程（见图5）。
图5 基线调整流程图（略）
4.1.3 调整结果 进行完基线调整后的数据曲线（见图4b）。可以看出数据的基线被明显调整了。虽然有个别的数据产生了失真，但是这并不影响本设计的初衷———总体趋势没有改变。
图4b 单路信号基线调整以后的数据（略）
试验证明，该算法效果很好。
4.2 睡眠呼吸暂停分段算法
4.2.1 呼吸暂停分段的意义 能准确区分出睡眠呼吸暂停的起始点是本课题研究的基本任务。也是用于衡量睡眠呼吸暂停的一个有效指标。
4.2.2 基于方差的分段算法 分段算法的思路如下:从图4b可以看出，当睡眠时呼吸出现了暂停，在一定窗口宽度范围内信号的变化幅度比正常呼吸时要小，其变化幅度可以用统计学上的方差来描述。只要固定一个初始窗口宽度（可以通过临床试验决定），计算该窗口的累积方差，判断是否小于预先设定的阈值ε 0 （也可以通过临床试验决定），如果小于，则该段就可以肯定是呼吸暂停段，此时记录该段的起始点和终止点。然后继续进行下一个窗口的判断。如果下一窗口的累积方差也小于预先设定的阈值ε 0 ，那么把上次暂停段的终点值更新。这样就可以记录呼吸暂停段的起始点和终止点。分段算法的流程（见图6）。
图6 分段算法流程图（略）
4.2.3 呼吸暂停分段的结果 其效果（见图7）可以看到，参数选择合适时上述算法的效果很好。
图7 呼吸暂停分段算法效果图（略）
5 讨论
从以上分析可以看出笔者的这种思路和方法是可行的。
但是该方法能否用于睡眠呼吸暂停疾病的初筛，还需要与PSG进行大量的临床比对，以便更加精确的调整各项阈值参数，从而符合临床初筛的标准。所以该监测方法达到实用的程度还有很长的路要走。
致谢:在本课题的研究过程中，得到了吴晴老师的精心指导和热情鼓励，也得到了商庆瑞、郭晶莹、周健等同学的热心帮助，在此一并表示感谢。
参考文献
1 董茂荣，曹鄂洪.睡眠呼吸紊乱基础与临床.北京:人民军医出版社，2001，1:186-187.
2 黄席珍.睡眠呼吸暂停综合征（SAS）与内科疾病.首届中美国际睡眠呼吸疾病研讨会，汇编，2004:45-48.
3 俞梦孙.用微动灵敏床垫监测睡眠的研究.中华航空航天医学杂志，1999，10（1）:40-42.
4 王海滨.LMS算法在非接触生命参数信号检测中的消噪应用.中国医疗器械杂志研究与论著，2003，27（1）:21-24.
5 周玉彬，俞梦孙.用无电极的方法测量人体生理信号.北京生物医学工程，2001，20（2）:91-94.
6 Center for Design Research，StanfordUniversity，Rehabilitation R&D Cen-ter，DVA Palo Alto Health Care System.SleepSmart Project.http://me-diax.stanford.edu/projects/sleepsmort.html.
7 Harada T，Sakata A，Mori T，et al.Sensor Pillow System:Monitoring Respiratin and BodyMovement in Sleep.Intelligent Robots and Systems，2000.（IROS2000），2000，1（1）:351-356.
8 邹曦露.采用曲线拟合方法进行EPR波谱基线校正.波谱学杂志，1996，12:601-607.
9 陆尧胜.基于中值滤波的心电基线校正方法的研究，蔡坤，医疗设备信息，2004，2:5-7.
10 潘忠孝，邵学广.小波变换用于高效液相色谱的基线校正.分析化学研究报告，1996，2:149-153.
（编辑新 竹）
作者单位:100022北京工业大学电控学院