從呼吸信號中檢測和區別呼吸模式的方法

2023-06-18 16:36:36

專利名稱：從呼吸信號中檢測和區別呼吸模式的方法
技術領域：
本發明涉及用於下面應用的方法，算法和診斷裝置檢測睡眠呼吸紊亂模式，和區別例如阻塞性睡眠呼吸暫停，中樞性睡眠呼吸暫停和Cheyne-Stokes呼吸以及混合型睡眠呼吸暫停這些不同疾病狀態的模式。
背景技術：
呼吸紊亂睡眠呼吸紊亂(SDB)包括一組紊亂，其中，在睡眠過程中呼吸模式或通氣質量異常。阻塞性睡眠呼吸暫停(OSA)，是最常見的這樣的紊亂(可能影響4-5%的成年人)，其特徵在於上氣道的反覆閉合或者塌陷以及呼吸部分或者完全減少。該阻塞通常是由上氣道肌肉作用以清除阻塞時暫時喚醒患者而解除的。在阻塞和覺醒的反覆循環過程中，OSA患者將會一直不斷地「努力」呼吸，換言之，對於呼吸周期來說，沒有中樞或者腦介導的呼吸中斷。相反地，在中樞性睡眠呼吸暫停(CSA)中，存在著源自於腦和控制中樞的呼吸中斷。Cheyne-Stokes呼吸(CSB)是一種較為常見的CSA形式。它是由患者呼吸控制器的異常極限周期(limit cycle)的不穩定性所引起的，在極限周期中存在通氣增強和減弱 (waxing and waning ventilation)的節律性交替周期。心衰患者(心臟泵血功能不足的病徵)通常患有CSA，特別是隨著病情惡化或者治療已經不能夠有效地補償心臟功能時。 Cheyne-Stokes呼吸在心衰患者中表現為潮氣量周期性的變化。該周期包括過度呼吸後伴隨的呼吸暫停和低通氣(hypopnoea)，其特徵通常(但並不是總是)在於也被稱為「雪梨海港大橋(Sydney Harbor Bridge) 」形的駝背形態。CS呼吸的確切原因尚不完全清楚。然而，特徵性的增強和減弱的周期很容易使人想到在具有失調增益或失穩反饋環延遲的調節欠佳的控制系統中的極限周期。各種類型的睡眠呼吸紊亂都是不期望的，因為它破壞了睡眠體系(不同類型睡眠的模式和比例)進而導致白天嗜睡。通氣的反覆停止或者通氣量的減少引起血氧水平的 (有時顯著地)下降。這些和其它併發症很可能是造成目前確定的心血管疾病後遺症的原因。OSA 的治療方案是首先由 Sullivan[Sullivan CE 等· Reversal of obstructive sleep apnea by continuous positive airway pressure applied through the nares. Lancet 1981年4月18日；1 (8225) :862-5]描述的持續正壓通氣(CPAP)。CPAP也被用於治療一些患有CSA和充血性心衰(在肺上有流體)的心衰患者。然而，Cheyne-Stokes呼吸無法使用CPAP有效地治療，而是可能需要使用伺服通氣[Teschler H等.Adaptive pressure support servo-ventilation -.a novel treatment for Cheyne-Stockes respiration in heart failure. Am J Respir Crit Care Med. 2001 年8月 15 日；164(4) 614—9。 Berthon—Jones Ventilatory assistance for treatment of cardiac failure and Cheyne-Stokes breathing.美國專利 6，532，95 。根據多重信號的診斷SDB和睡眠呼吸暫停診斷的黃金標準是多導睡眠圖(PSG)住在睡眠實驗室中整夜測量並記錄大量生理學信號。簡要地說，PSG信號集合通常包括一個或多個指示呼吸參數的信號，所述呼吸參數例如患者呼吸氣流速率(用於計算通氣量以及檢測呼吸暫停和低通氣)，複合(multiple)腦電圖(EEG)，眼動圖(EOG)和肌電圖(EMG)信號(用於確定患者的睡眠狀態和體位以及檢測睡眠中的覺醒)，呼吸努力信號(或者是胸腔和腹腔膨脹帶或者是食道壓力測量導管)，打鼾幅度，以及氧飽和度。診斷SDB的另外一種方法是多種波動描記器(PG)，其在患者睡覺期間記錄的參數減少。這些參數包括鼻/ 口氣流速率，打鼾幅度，氧飽和度，呼吸努力(胸和腹)以及體位。在PSG和PG中，記錄呼吸努力信號，使得能夠從CSA或Cheyne-Stokes呼吸中區別出OSA事件。(也有可能是第三類呼吸事件——混合型呼吸暫停——其中，該事件因呼吸驅動的中樞介導缺乏而開始，因氣道阻塞和隨後的覺醒而結束)。在不參考至少氣流信號和呼吸努力的量度的情況下，沒有經驗的觀察者不可能可靠地確定呼吸暫停的類型。然而，經過培訓的有經驗的觀察者(專家)經常能輕易地檢測出事件(呼吸暫停/低通氣)運行中的模式，從而能夠可靠地確定潛在的疾病類型。這個對於具有通氣增強和減弱模式特徵的 Cheyne-Stokes呼吸尤其正確。簡單的記錄設備無論是PSG還是PG的性能都需要經過專業訓練的技術人員，這是昂貴的，費時的， 並且其本身可能引入睡眠幹擾。此外，眾所周知的是，睡眠實驗室的缺乏正在妨礙對目前 SDB患者的診斷和治療，更不必說考慮大量未被診斷出的人口。為此，一種「篩選」設備(例如，德國MAP的microMesan⑧，或來自ResMed的ApeaLink )可用於測試懷疑患有睡眠呼吸紊亂的患者。這種裝置很小巧，只記錄一個或兩個生理學信號，並且患者能夠很容易地帶回家用於篩查。例如醫生記錄經過患者鼻的氣流，隨後使用與該設備相連接的個人計算機檢查該信號。然後使用軟體包讀取來自於該設備的數據，顯示統計計算結果並根據疑似的睡眠相關病理學給出建議。診斷分類器呼吸暫停-低通氣指數(AHI，平均每小時發生這種事件的次數)的計算是一種常規用於決定需要治療還是需要進一步用全PSG或PG觀察的量度。一種能夠根據所記錄的呼吸模式進一步區別不同潛在疾病狀態的電腦程式或算法，為臨床途徑提供了額外的指導。例如，與睡眠呼吸暫停較常見的形式相比，Cheyne-Stokes呼吸的明顯指徵，將暗示完全不同的後續表現。在許多領域中分類器是一種常見的概念，在這些領域中，希望將對象或者對象的潛在狀態歸到許多類別中的一個中。例如，這個概念可用於聲音識別(其中，聲音信息組 (sound byte)被劃分為不同的詞或音節)，雷達探測(其中，可視信號被劃分為敵方/我方目標)和醫療診斷(其中，測試結果被用來劃分患者的疾病狀態)等領域。分類器的設計屬於模式識別領域，並且分類器可以是監督型的(其中，分類器建立在由監控器或「專家」 預先分類的訓練數據基礎上)或非監督型(其中，通過數據的自然排序或聚類確定不同類別)。時間信號的分類通常依賴於在特定的時間點上用「特徵」表示信號。特徵是在時間點上提取了信號本質的簡單數字，其為壓縮形式。特徵集(或特徵矢量)稱為「模式」。分類器提取出模式並且使用適當的算法對它進行數學處理，從而產生每種類別的概率值。該模式就歸到概率最大的類別中。在美國專利6，839，581中，公開了一種用於檢測充血性心衰患者體內CS呼吸的方法，其通過對整夜的血氧計記錄進行光譜分析，從而獲得參數集來實現，所述參數用於構建分類樹和訓練過的神經網絡。總之，睡眠呼吸紊亂是種具有不同潛在疾病類型的常見綜合症，不同潛在疾病類型需要不同的治療方案。因此需要小且相對便宜的篩選設備，該設備有助於解除目前在睡眠實驗室中存在的治療瓶頸問題。一種能夠複製專家的能力檢測出與特定疾病狀態相關的呼吸模式的算法和診斷裝置將會增強對進行睡眠呼吸紊亂篩選的患者的診斷和治療，或用於監視正在接受治療的患者。所需要的是一種將流量數據作為分類器形式的算法。特別期望的是一種利用與用在家庭設置中的小型手持設備結合的適當的軟體，根據流量讀數或者血氧計讀數診斷Cheyne-Stokes呼吸的方法和裝置。

發明內容
本發明的CS診斷系統使用數字計算機上的模式分類技術，通過單獨檢查流量信號識別類似CS的呼吸周期。CS呼吸的確診通常依賴於「努力」信號，該信號或者是食道壓力信號或者來自腹部或胸部的彈性帶信號。努力的缺失表示中樞型呼吸暫停，除此之外將很難從阻塞性呼吸暫停或混合型呼吸暫停中區別出中樞型呼吸暫停。混合型呼吸暫停包括中樞型開始(沒有努力信號)，隨後一旦驅動返回就出現阻塞性呼吸。沒有其它通道的ApeaLink 經鼻流量數據被處理，從而將其劃分為明確的 Cheyne-Stokes (CS)呼吸，然後給醫生顯示出可能的記錄幫助其快速做出專家確認。 ApeaLink 記錄器是單通道電池供電的呼吸壓力傳感器系統，其提供睡眠過程中的呼吸壓力記錄。ApeaLink 是由ResMed公司製造的小型(手持)設備，為家居使用而設計，可將其捆綁配戴於患者胸部。該設備利用經鼻壓力感測導管只記錄(間接地)經鼻的流量。睡眠中的所有呼吸相關信息將會通過經鼻壓力套管採集。這將會允許心臟病專家更加方便地管理這種患者。例如，CS患者為了適當地可能的Autc^et CS治療將會進行全面的多導睡眠圖(PSG)診斷檢查。非CS患者可以適當地只使用AutoSet治療潛在的0SA。在利用PC 對經鼻流量信號進行適當的脫機處理之後，能夠檢測並顯示以下事件呼吸暫停，低通氣， 氣流受限和打鼾。Cheyne-Stokes 呼吸檢測算法CS檢測算法使用來自例如ResMed的ApeaLink 設備的經鼻流量信號，或者指示至少一個呼吸參數的其它信號，連同模式識別技術給所記錄的每30分鐘時元的流量分配一個CS呼吸的概率。本發明詳細敘述了初始的濾波和「事件」檢測，其中，事件定義為表徵 CS呼吸的低通氣-呼吸過度順序的區域。當呼吸過度的持續時間超過閾值時，或呼吸過度
5區域的持續時間的統計量超過閾值時，這種事件的檢測可以根據一個或多個呼吸過度區域的持續時間而確定。這種統計量可以是平均值或標準偏差或下面指定的其它統計量。模式分類技術是一種統計方法，其依賴於一種所謂的「訓練」數據集，其中「分類器」能夠通過被訓練用來識別出某些「模式」，在這種情況下是CS呼吸。一種模式是特徵組或特徵矢量。特徵是代表被檢查信號某方面的數字。特徵的例子是呼吸暫停長度。模式可以是包括呼吸暫停長度，呼吸過度長度和表示呼吸過度的形狀接近「海港大橋」的數字的組。本發明的一個方面在於一種能更好地，優選地更可信賴地，診斷睡眠紊亂的存在的方法和裝置。該診斷包括分析指示呼吸參數的信號，從而確定在從低通氣到呼吸過度的區域內該信號的增加率，該增加率緩慢增加的區域，斷定存在Cheyne-Stokes呼吸，該增加率突然增加的區域，斷定不存在Cheyne-Stokes呼吸。根據本發明的一個方面，代表患者呼吸的信號被分成長度相等的時元，其中該時元的長度能夠根據要求很長(整個記錄)或者較短(代表性的低通氣-呼吸過度順序的長度)。優選地，例如，為了濾除噪聲以及使基線歸零，該信號可能會經受一系列的預處理步
馬聚ο優選地，從來自所述信號中的充當該信號事件的壓縮表示的每個時元中提取一個或多個主要特徵。該事件指例如，呼吸暫停，低通氣和呼吸過度。對這些主要特徵進行統計分析，從而產生一個或多個表示整個時元的次要特徵。利用一個或多個從整個時元而不是從時元事件提取的其他特徵，將每個次要特徵分組。這種最終的特徵組就是時元模式。所述時元模式優選使用合適的分類算法進行操縱以產生所述信號可以代表的每種可能類別(例如，Cheyne-Stokes呼吸，OSA等)的概率。所述時元被分配給概率最高的類別，並且所述概率的類別和強度報告了潛在疾病狀態的指示。所述分類算法優選地從訓練數據集中學習，其中這些數據集已經由人類專家預先分類。在這種意義上來說，所述分類器屬於監督機器學習類型。


圖1是信號處理路徑的方框圖從患者的呼吸信號開始，經過預處理，根據時元的特徵提取，最後到分類；圖2表示典型的呼吸信號時元，其包括大量的「事件」(在該情況中呼吸暫停-呼吸過度順序)，若干個主要特徵或者被明確示出(2. 1呼吸暫停/低通氣長度，2. 2呼吸過度長度，2. 3周期長度)或者被推斷出來(2. 4呼吸過度的形狀特徵，2. 5表示在呼吸過度開始處的初始「跳變」特徵)；圖3表示主要特徵的計算細節，3. 1表示用於確定呼吸過度形狀特徵的基本函數， 3. 2表示具有OSA特徵的呼吸過度，連同圖表顯示的跳變特徵的計算，3. 3表示更具有CS呼吸特徵的呼吸過度的相似描述，在這兩種情況中，都將計算得到的跳變特徵和形狀特徵製成表格；圖4表示時元分類的例子，例如，使用柱狀圖；圖5表示在呼吸過度信號中歸一化的最大跳變的分布；圖6表示CS和OSA患者的聚類分析；
圖7表示LD (線性)分類器的結果；圖8表示QD ( 二次)分類器的結果；圖9表示用於基線偏移量(baseline offset)的數據校正；圖10表示典型病患長期通氣和左移10秒通氣的Cheyne-Stokes流量波形；圖11描述流量波形對應呼吸過度的那些部分；圖12表示Cheyne-Stokes患者在大約15分鐘上的經鼻流量信號；圖13表示患者的Spo2信號(飽和度)和通氣量信號(流量的低通濾波絕對值)。
具體實施例方式過程描述圖1表示分類過程的一個實施例。雖然以下是按照順序過程來解釋的，可以理解的是，所述過程能夠使用非線性的，非順序的，或非分段的過程來實現，或者可以改變所述過程的順序。而且，雖然圖1描述完整的過程，本發明的各方面可能只涉及該過程的一個子集。首先使用包含數據採集系統和存儲器的錄入設備記錄來自患者的表示呼吸的信號。然後要麼在線使用記錄設備要麼脫機使用計算機來處理所述呼吸信號。優選地，所述信號首先被預處理。例如，所述信號經過濾後移除不想要的噪聲並且，適當時，將基線歸零。所述信號也可以根據用於檢測呼吸的換能器而被線性化。在下一個階段，將所述信號分成η個長度相同的時元。該時元的長度可以和整個記錄的長度一樣長，或者也可以短到可以實踐以檢測到呼吸模式的長度。在一個優選實施例中，時元的長度是30分鐘。圖2表示在患有Cheyne-Stokes呼吸的患者中記錄的典型時元。曲線的形狀令人想到「雪梨海港大橋」的形狀，而且有時還被稱為這個名字。見圖10。所述記錄包括八個 「事件」，每個事件又包含呼吸過度跟隨的低通氣(在這種情況下也可以是呼吸暫停)。對於每個事件使用一種算法來檢測開始和結束點，從而計算事件的長度例如，呼吸暫停/低通氣長度和呼吸過度長度。如果事件不符合低通氣/呼吸暫停到呼吸過度的正確順序，可以使用另一種算法來拒絕事件。可以使用再另一種算法來拒絕落在可感測長度尺寸極限之外的事件。形狀特徵的確定每個呼吸過度被進一步處理，以得到四個所謂的「形狀特徵」。這些特徵指示不同形狀的呼吸過度(例如鐘形對三角形)。使用呼吸過度通氣量信號的奇異值分解計算形狀特徵，步驟如下首先，從呼吸信號中提取呼吸過度，並且取得呼吸信號的絕對值，從而給出通氣量信號。所述通氣量信號由它的均值按比例縮放，從而給出矢量值VhypCTp。為了數學計算方便，呼吸過度的時基W..T]被映射到區間W.. 2 π ]，其中T是呼吸過度的終點。計算一組四個正交函數並且排列為4Xm矩陣(其中，m是在呼吸過度信號中的值的數目)。一組簡單的正交函數是
權利要求
1.一種用於訓練用於指示睡眠紊亂的存在的診斷分類器的系統，包括 用於計算判別式函數的模塊；用於對從新數據集得到的特徵應用所述判別式函數以獲得類似CS的呼吸的概率的模塊；以及用於顯示針對多個數據集的類似CS的呼吸的所述概率的柱狀圖的模塊。
2.根據權利要求1所述的系統，其中，所述判別式函數包括兩個權矢量和兩個常數，每個權矢量具有與所述特徵相同的長度。
3.根據權利要求1所述的系統，其中，從包括貝葉斯極大似然線性和二次判別式、神經網絡以及支持矢量機的組中選擇所述診斷分類器。
4.根據權利要求1所述的系統，其中，所述判別式函數和概率按如下公式計算 Cl1 = W1 · F+C,d2 = W2 · F+C2p(d\~d2) 概率-其中，W」 W2是矢量，而C」 C2是常數。
5.一種用於指示睡眠紊亂的存在的診斷分類器，包括 用於測量Sp02信號的脈搏血氧計；用於處理所述Sp02信號的模塊；用於將所述Sp02信號分成η個長度相同的時元的模塊；用於記錄指示呼吸過度跟隨的低通氣的所述Sp02信號中的事件的模塊；用於針對每個事件檢測開始和結束點的模塊；用於計算事件長度的模塊；以及用於處理每個呼吸過度以得到形狀特徵的模塊。
6.根據權利要求5所述的診斷分類器，還包括用於使用包括數據採集系統和存儲器的錄入設備來記錄表示來自患者的呼吸的信號的模塊；和用於使用所述記錄設備在線處理所述呼吸信號或是使用計算機脫機處理所述呼吸信號的模塊。
全文摘要
將代表患者呼吸的信號分成長度相等的時元。從每個充當信號事件的壓縮表示的時元提取主要特徵。對主要特徵進行統計分析，從而產生一個或多個表示整個時元的次要特徵。根據一個或多個從整個時元而不是所選擇的時元事件提取的其他特徵，對每個次要特徵進行分組。這種分組就是時元模式。使用合適的分類算法操縱所述模式，並在算法內產生每個類別的概率，其中所述信號可以代表疾病狀態(Cheyne-Stokes呼吸，OSA等)。所述時元被分配給概率最高的類別。此外，還定義了通過分析信號以檢測一個或多個呼吸過度區域來檢測Cheyne-Stokes呼吸的方法，並且如果呼吸過度長度超過了一個參數，那麼就存在Cheyne-Stokes呼吸。
文檔編號A61B5/087GK102172328SQ20111006471
公開日2011年9月7日 申請日期2005年12月21日 優先權日2004年12月23日
發明者J·阿米特斯特德 申請人:雷斯梅德有限公司