專利名稱：使用血氧飽和度信號辨別潮式呼吸模式的制作方法
技術領域：
本技術涉及使用臨床決策-支持工具通過對生理信號進行定量測量來辨別呼吸異常。特別地，本技術涉及通過分析血氧飽和度信號來辨別潮式呼吸(CSR)，血氧飽和度信號可任選地結合流量信號。本技術還可涉及訓練能夠為CSR的辨別提供概率值的分類器。 本技術還可涉及通過去除CSR背景中的可識別的偽影來改善血氧飽和度信號的讀出。
背景技術：
CSR的診斷通常包括進行睡眠研究，并分析得到的多導睡眠圖(PSG)數據。在完整的PSG診斷研究中，將監測一系列生物參數，通常包括鼻流信號，呼吸努力的測定，脈搏血氧飽和度，睡眠姿勢，還可包括腦電圖(EEG)，心電圖(ECG)，肌電圖(EMG)以及眼電圖 (EOG)。呼吸特征也可通過視覺特征來辨別，從而臨床醫生可判斷睡眠時的呼吸功能，并評估CSR的存在。在潮式呼吸或CSR周期中，呼吸容量的消長變化模式可在鼻流信號中看出，這是對肺功能的直接測量。呼吸的這種不穩定的行為經常延伸至其他的心肺參數中，如可看出周期性變化的血氧飽和度水平。臨床醫生的檢查是最全面的方法，這是一種費用高的方法，很大程度上依賴于臨床經驗和理解。為了更有效的檢查患者，本發明的受讓人引入了分類器算法，該分類器算法基于鼻流信號通過計算CSR發生的概率而自動進行劃線過程。該算法公開在美國專利申請 SN 11/576,210 (U. S. Patent App. Pub. No. 20080177195)，提交于 2007 年 3 月 28 日，作為W02006066337A1公布于2006年6月四日。現有的算法為流量基礎的分類器，在其中計算CSR的概率，給出一系列離散的流量值。一系列預處理步驟被實施，如流量值的線性化， 呼吸事件的過濾和抽取。分類器的概念在很多領域都很普遍，人們希望將一個對象或一個對象的潛在狀態分配至很多類別中。在例如聲音識別(將聲音字節分類為不同的單詞或音節)、雷達探測(將視覺信號分類為敵方/友方目標)及醫療診斷(其中測試結果用于將患者的疾病狀態進行分類)領域使用這種概念。分類器的設計屬于模式識別領域，分類器可以是監督式(通過由監督者或“專家”預分類的訓練數據建成該分類器)或非監督式(數據的自然順序或聚集確定不同的類別)。時間信號分類通常依賴于用“特征”在特定時間點代表信號。特征是簡單的數字，該數字在時間點提取壓縮形式的信號本質。特征集(或矢量)稱為“模式”。分類器獲取模式并使用數學上合適的算法計算出多中類別中每種類別的概率值。將該模式分配到具有最高概率的類別中。總脈搏血氧飽和度已被提出作為CSR辨別的替換工具，但是依賴于受過訓練的觀察者對血氧飽和度信號的視覺檢查(Staniforth et al .，1998，Heart, 79:394-99)。Maniforth 等(1998，Heart, 79，394-399.)對 104 個患有充血性心力衰竭 (CHF)的患者進行的研究已經檢查了相對于正常對照組夜間血氧飽和度的去飽和指數。該模型具有81%的特異度和87%的靈敏度用于檢測CSR- CSA。然而，并未提供該模型整體的精確度。這些作者沒有嘗試確定脈搏血氧飽和度是否可用于區分CSR-CSA與阻塞性睡眠呼吸暫停(OSA)。Takanashi等的美國專利5，575，285公開了通過散射透射光并進行傅里葉變換以獲得頻率范圍在500 Hz至20 kHz之間的功率譜從而在血液中測定氧飽和度。然而， 所描述的方法不能辨別患者患有CSR或者0SA。Grant等的美國專利6，839，581，PCT申請WO 01/076459和美國公開專利申請 2002/0002327名稱為“Method for Detecting Cheyne-Stokes Respiration in Patients with Congestive Heart Failure”。他們共同提出一種CSR的診斷方法，包括通宵記錄血氧飽和度并對血氧飽和度記錄進行光譜分析。基于由功率譜分析導出的參數的分類樹或神經網絡確定CSR的存在與否。Lynn 的美國專禾0 6,760,608 的名稱為"Oximetry System for Detecting Ventilation ^stability"。該專利公開了一種脈搏血氧飽和度系統，該系統用于產生氧飽和度值的時間序列。沿著該時間序列的某些模式的發生用于指示通氣不穩定。Lynn 等的美國專利 7，081，095 名稱為"Centralized Hospital Monitoring System for Automatically Detecting Upper Airway Instability and for Preventing and Aborting Adverse Drug Reaction"。它提出了在集中醫院重癥監護系統的計算機操作環境中診斷OSA的自動系統。Grant 等的美國專利 7，309，314名稱為〃Method for Predicting Apnea-Hypopnea Index From Overnight Pulse Oximetry Readings"。該專利提議了一種用于預測呼吸暫停低通氣指數(AHI)的工具，用于通過記錄脈沖血氧飽和度讀數，并獲得δ指數、氧飽和度時間和血氧飽和度去飽和事件來診斷0SA。進行多變量非參數分析和引導聚集。Lynn 的美國專利 7，398，115 名稱為"Pulse Oximetry Relational Alarm System for Early Recognition of Instability and Catastrophic Occurrences"。i亥專禾[|中描述的系統具有警報器，通過檢測與a)脈搏率的下降或b)呼吸率的增加相關的氧飽和度的下降及時識別可能的災難性的事件從而啟動所述警報器。該專利系統目的是處理并檢測 OSA。這些現有技術系統都不能可靠地解釋血氧數據，以可靠地區分OSAs和CSR，并產生在呼吸暫停辨別中的概率值。
發明內容
本技術在血氧飽和度的基礎上提高了對CSR的辨別。本技術可應用于提高流量基礎的分類器技術系統的檢測性能。從而，使CSR的檢查更容易。例如，2006年6月四日公開的WO 06066337A1的于2007年3月觀日提交的美國專利申請11/576，210描述了該技術作為檢測系統的附加特征。可選擇地，當不能獲得流量信號或數據或其質量不好時，該技術也可獨立進行或作為獨立的替代。本技術可替代目前的檢查方法，該技術對于患者使用更舒適和更容易，對于醫生更容易操作和/或使用更低地費用進行分析。可以用順序方法或算法解釋本技術，人們理解該方法或算法可使用非線性、非連續、無級的方法、或者方法的順序可改變的來進行。該技術的實施例描述了整個方法，該技術的各方面可以僅涉及該方法的子集。可使用包括數據采集系統和存儲器的記錄裝置記錄患者代表呼吸的信號，如血氧飽和度信號。該呼吸信號經所述記錄裝置在線處理或使用計算機離線處理。可對所述信號進行最初的預處理。例如，將所述信號過濾以去除不必要的噪音， 并適當地使基線歸零。依靠用于檢測呼吸的轉換器，也可將所述信號線性化。特別地，該技術可包括去除血氧飽和度測試特有的偽影的方法，用于提高血氧飽和度信號的質量指標 (QI)，該指標可用于確定在辨別預測中的置信度。在另一個階段，將所述信號分為具有相同長度的η個時元。該時元長度可以為整個記錄的長度，或者短至使呼吸模式的測試能夠進行。在一個實施例中，該時元長度為30 分鐘。本技術的CSR-檢測算法或者與血氧飽和度一起可使用來自裝置如MAP’ S microMesam 的鼻流信號，與模式識別技術一起將CS呼吸的概率分配給流量記錄的每個30 分鐘的時元。該技術提供用于計算事件特征的方法。該方法還可包括計算例如通過傅里葉分析或利用小波變換得到的光譜特征。CSR的另一個特征，即飽和延遲，可用于提供一種方法，該方法用于計算與呼吸同步的去飽和再飽和延遲的延遲量，作為CSR的另一個指示。該技術還可包括一種方法，該方法用于訓練執行以辨別CSR的分類器的處理器， 并用于產生指示CSR存在的、血氧飽和度數據的每個時元片段的概率值。在該技術的一些實施例中，計算機通過一個或多個編程的處理器進行檢測潮式呼吸的發生。所述處理器的方法可包括獲取代表測定的血氣信號的血氣數據。該方法還可包括從所述血氣數據中確定變化的血氣飽和度的一個或多個連續周期的持續時間。該方法還包括檢測潮式呼吸的發生，通過比較確定的持續時間與由潮式呼吸飽和度的變化與阻塞性睡眠呼吸暫停飽和度的變化的不同得到的閾值來進行。在一些實施例中，所述變化的飽和度的一個或多個連續周期可以是再飽和周期，所述測定的血氣信號可以是血氧飽和度信號。在另一些實施例中，所述確定的持續時間可以是平均周期長度，并且當所述平均周期長度超過閾值時，所述檢測指示發生。在一些實施例中，所述閾值包括判別函數。檢測所述發生可選擇地包括確定從所述閾值的距離，并將該距離與進一步的閾值進行比較。該方法還可選擇地包括在所述血氣數據的去飽和和再飽和周期的預定頻率范圍中確定峰的存在，并將該確定的存在與所述判別函數進行比較。本技術的實施例還可包括用于檢測潮式呼吸發生的裝置。該裝置可包括用于代表測定的血氣信號的血氣數據的存儲器。該裝置還可包括與所述存儲器連接的處理器。所述存儲器可構造為(a)用來從所述血氣數據中確定變化的血氣飽和度的一個或多個連續周期的持續時間(b)用來檢測潮式呼吸的發生，通過比較確定的持續時間與由潮式呼吸飽和度的變化與阻塞性睡眠呼吸暫停飽和度的變化的不同得到的閾值來進行。在所述裝置的一些實施例中，當所述測定的血氣信號可以是血氧飽和度信號時(可通過血氧定量計測定)，所述變化的飽和度的一個或多個連續周期可以是再飽和周期。在一些實施例中，所述確定的持續時間可以是平均周期長度，并且當所述平均周期長度超過閾值時，所述檢測指示發生， 該閾值可選擇的為判別函數。在處理器中，裝置還可構造為通過進一步確定從所述判別參數的距離，并將該距離與進一步的閾值比較從而檢測所述發生。在其他實施例中，所述處理器還可構造為確定在所述血氣數據的去飽和和再飽和周期的預定頻率范圍中的峰的存在， 并將該確定的存在與所述判別函數進行比較。考慮下面說明書、摘要和權利要求中所包含的信息，本技術的其他特征將很明顯。
在下面附圖中，通過舉例而非限制的方式說明本技術，圖中相同的附圖標記代表相似的部件
圖1為患者在半小時(1800秒)的持續時間內血氧飽和度信號的振幅和一階差分的圖； 圖2展示了在CSR中的所述平均飽和度持續時間，作為以秒測定的時間的函數； 圖3展示了在OSA中的所述平均飽和度持續時間，作為以秒測定的時間的函數； 圖4展示了 CSR的光譜特征，其中所述光譜特征為所述飽和度的傅里葉變換的最大值和平均值的區別；
圖5展示了 OSA的光譜特征，其中所述光譜特征為所述飽和度的傅里葉變換的最大值和平均值的區別；
圖6展示了典型CSR時元的氧飽和度；
圖7展示了作為傅里葉等效頻譜函數的CSR的小波全譜；
圖8展示了計算的氧飽和度延遲、通氣和通氣延遲，作為時間秒的函數；
圖9描述了判別界線及其與訓練數據集分布的關系；
圖10和11描述了判別界線以及該判別界線與驗證數據集分布的關系；
圖12為方法步驟的流程圖例子，涉及對數據分布的修改或對CSR血氧飽和度時元的分
類；
圖13示意地展示了使用本技術分類器作為計算機輔助診斷工具，為了 CSR證據檢查患
者；
圖14展示了在不同患者基礎上的接收者操作特征；
圖15進一步解釋了本技術一些實施例中的CSR檢測和/或訓練系統的部件。
具體實施例方式本技術的實施例可包括系統、裝置、分類器、和/或方法。此處結合附圖特別是圖 1-13和15，描述實施例。CSR是一種周期性的呼吸，人們相信是由于中樞神經系統控制通氣的不穩定引起的。CSR患者呼吸的特點是呼吸容量的消長變化，在呼吸暫停/呼吸不足和呼吸過度之間重復發作。在壓縮時間刻度鼻流信號的記錄顯示了與調幅(AM)波相似的模式。在潮式呼吸或CSR周期中，可從作為肺功能直接測試的鼻流信號看出的呼吸容量的消長變化模式在其他心肺參數上，如血氧飽和度水平也表現出周期性改變。例如，在持續的呼吸暫停期，由于心肺系統的動力學，血氧飽和度可能降低。氧飽和度的測試使用的脈搏血氧飽和度，顯示了周期性的去飽和和再飽和，這模擬了 CSR引起的通氣的上升和下降。在CSR中的血氧飽和度水平的周期模式與連續發生的阻塞性睡眠呼吸暫停(OSA) 事件序列模式不同。潮式呼吸模式的病理生理機制與二氧化碳的動脈局部壓力水平 (PaCO2)有關。低的I3aCO2可能阻礙患者的中樞驅動對碳酸過少做出呼吸反應，這通常引發淺呼吸，隨后如果驅動低于呼吸暫停閾值，部分或全部撤回呼吸，造成中樞性睡眠呼吸暫停 (CSA)。在呼吸暫停周期之后，隨后I3aCO2將會上升，這可能導致超通氣反應。因此，PaCO2 可能下降，這樣該周期通常重復進行。對通氣的這種振蕩反應可能產生呼吸容量的消長變化，并使血氧飽和度水平逐漸發生擺動。血氧飽和度水平的上升和下降被延遲，但是經常與換氣過量或換氣不足同時發生。在中樞呼吸驅動中的潛在的振蕩與心肺的相互作用共同導致正在記錄的血氧飽和度的振蕩，這CSR中具有的獨特規律。該光譜特征目的是在所述血氧飽和度信號中獲得規律性模式，作為CSR的標志。有證據表明心臟功能損害是造成CSA的危險因子。據報道在充血性心力衰竭 (CHF)人口中，CSA 的患病率為 30% 至 50%(Javaheri et al. , Circulation. 1998; 97 2154-2159. ； Sin et al . , Am J Respir Crit Care Med 1999,-160: 1101-1106.)。人們也支持，高的Pa(X)2的呼吸暫停閾值易于導致CSA和CSR。在PSG研究中，單純的潮式呼吸周期是以連續發生的CSA事件序列表現的。CSA的發展構成的單純的潮式呼吸起因并非是高碳酸血，通常周期長度為60秒(Eckert et al., Chest, 2007; 131:595-607)。它是區別于其他形式的CSA，如先天性CSA或由于應用慢性疼痛藥物引起的麻醉誘導CSA。這些形式的CSA通常具有更短的周期長度。用于訓練所述分類器的血氧飽和度記錄的選擇排除了在預劃線過程臨床專家評估和檢查的數據。這保證了僅僅感興趣的特定形式的CSA用于訓練所述分類器。CSR versus 0SA: CSR 與 OSA
潮式呼吸(CSR)為周期性呼吸形式，通常通過肺功能的直接測試檢查出，例如鼻流記錄或氣道流量記錄。由于心臟和肺系統的連接，也可通過血氧飽和度信號將CSR確定為去飽和和再飽和的交替周期。因此，血氧飽和度信號可提供用于分析潮式呼吸的信息來源。這種方式的優點可包括使用血氧定量計以非侵入性的方式測量血氧飽和度水平，這是對患者健康狀況的非常重要的決定因素。血氧飽和度記錄可提供CSR發生的證據，或者也可由血氧飽和度信號表現的其他呼吸異常，如阻塞性睡眠呼吸暫停(OSA)情況。優選在訓練所述分類器時就考慮到這點，以辨別CSR和0SA。OSA通常可能由于上呼吸道的塌陷而引起。在OSA事件中，如從PSG研究中連續的呼吸努力看出的，呼吸并未撤回。在OSA事件之后的初始呼吸通常為深呼吸并具有大的呼吸容量，經常伴隨氧飽和度水平的急速上升。因而相信在連續發生的OSA事件序列中，氧飽和度水平的急速再飽和為OSA發生的標志。OSA事件的發生于上呼吸道的力學狀態和解剖學密切相關。咽頭的倒下會引起 0SA，這通常以循環的方式發生，但是不像CSR，這不是周期性的呼吸形式。從在先的OSA事件的開始至下一個的OSA事件的開始時間長度的變化往往比CSR的周期長度短。在OSA記錄的血氧飽和度中可發現更多的去飽和和再飽和的偶發模式，缺乏在單純的CSR血氧飽和度記錄中周期長度的典型規律性。然而，由于身體運動或肢體運動引起的不想要的偽影，血氧飽和度信號不適合用于診斷CSR。在成人記錄中，通常將血氧定量計放置在指尖或耳垂。血氧飽和度信號的質量對血氧定量計中的光學傳感器的移動高度敏感。運動偽影通常以會發生突然的去飽和和突然的再飽和的階段特點。在血氧飽和度記錄的偽影期，發現飽和度水平的百分數為零是常見的。在該階段，可能丟失信息，這是不可避免的。該問題可通過修改使用的血氧飽和度信號，使其加入考慮到突然發生的去飽和和再飽和的檢測方法來克服。圖1描述了血氧飽和度信號102和其導數或從記錄導出的血氧飽和度信號104的例子。該信號為在CSR中持續時間為半小時(1800秒)記錄的。清楚的偽影的例子表現為突然降為零飽和和突然恢復。在本技術的系統或裝置中，所述信號所得的數據可根據下面一個或多個方法進行處理。確定偽影
從導出的血氧飽和度(SpO2)信號104中可確定偽影期的開始，其中所述信號從一個小于-10%的負值變至大于10%的正值。所述導出的血氧飽和度信號提供偽影期開始和結束的指示，該指示為最初的尖銳的負尖峰接著尖銳的正尖峰。可通過線性插值穿過偽影區去除偽影。血氧飽和度信號質量指標^I)
鑒于進行血氧飽和度的測試是為了檢測0SA，這些檢測方法不能轉換到檢測CSR的問題。CSR的存在指示在通氣控制中中樞不穩定。在單純的潮式呼吸中，流量經常與中樞呼吸暫停和呼吸不足有關。與阻塞性呼吸暫停相比，在CSR中，呼吸的恢復通常很溫和，這導致較緩慢的再飽和率。本技術考慮到OSA和CSR的這點不同，通過使用平均再飽和周期，并且我們的統計分析顯示僅僅CSR顯示出再飽和長于10秒。可通過發現樣本的數字T (在該處SpO2降至低于預定的百分閾值如10%)來定義導出的血氧飽和度(SpO2)信號104的質量指標。所述質量指標Oil)可以定義為T/N的比率，其中N為所考慮的樣本的總數。然而，如果該比率小于閾值，例如約0. 75，所述質量指標可設定為零。還可以定義質量指標為T/N的比率的函數。事件特征的計算
一旦辨別出所述偽影，即可將它們從數據中去除。剩余數據的信號也可低通過濾以導出濾過信號。該信號可首先經過濾以去除不必要和無趣的高頻內容。例如，使用的濾波器可以是數字有限沖擊響應(FIR)濾波器，該濾波器設計為使用傅里葉法，具有矩形窗口。在一些實施例中，所述濾波器可以具有O至0. IHz的通頻帶，0. 1至0. 125 Hz過渡頻帶以及高于0.125 Hz的阻帶。濾波器中的項數隨采樣頻率而改變。使用濾波矢量將點式時間序列旋轉從而過濾所述信號。可測定下一個相鄰的再飽和周期。該周期的長度可作為矢量分量儲存。然后所述事件特征可作為所述矢量分量的平均值被計算。所述事件特征可能與質量指標值相關。因此，基于特定事件特征，它輸出CSR的確定，從而為臨床醫生提供關于CSR檢測質量的信息。從血氧飽和度信號中提取事件的替換方法可以是導出兩個濾過信號，然后比較其變化的振幅，以框出去飽和事件或再飽和事件。用于這些導出信號中的第一個的濾波器具有非常低的截止頻率，以代表長期飽和度信號(SLong)。用于這些導出信號中的第二個的濾波器可具有相對較高的截止頻率，以代表短期飽和度信號(Sa1OTt )。當SShort降至低于作為SLong百分比的閾值時，這可作為記錄所述去飽和事件開始的起因。當SShort隨后上升至閾值以上、SLong以上時，這可能是記錄去飽和事件結束的起因。可應用類似的方法來獲得再飽和事件。光譜特征(SF)的計算
呼吸暫停/呼吸不足與呼吸過度的周期性交替經常導致延遲的但與呼吸同步的去飽和與再飽和。所觀察的SpO2的振蕩取決于多種因子，其中之一是呼吸暫停的持續時間。較長時間的呼吸暫停與更大的去飽和相關。圖2和3展示了在CSR中(圖2)和在OSA中(圖 3)作為時間秒的函數的平均飽和度持續時間分布的比較。對不同CSR血氧飽和度模式的測定發現，與在連續的阻塞性呼吸不足周期的血氧飽和度模式的偶發性相比，前者具有更高的規律性。使用傅里葉變換，光譜特征可測定在0. 083 Hz至0. 03Hz的區域中出現峰。在較長周期時間的去飽和和再飽和的趨勢可作為CSR異常的標志。可通過傅里葉變換技術測定或識別，以確定單獨的頻率分量和諧波。在帶有深喚醒呼吸的OSA事件的呼吸暫停終止之后，快速的再飽和提供了更短暫類型的去飽和和再飽和模式。這區別于CSR 更加規律的去飽和和再飽和模式的頻率特征。在一些實施例中，使用下面實施例步驟的一些或全部通過傅里葉變換分析來確定光譜特征
1.去除偽影
2.將全部血氧飽和度信號劃分為離散的30分鐘，50%重疊的時元
3.從100%減去所述信號
4.從初始值減去所得信號，并存儲該值
5.低通過濾所述所得的信號
6.將存儲的所述初始值加入到所述濾過信號中
7.從所述所得信號中減去100%
8.使用所述平均值為所述信號去趨勢
9.使用歐幾里得模量將所述所得的信號標準化
10.使用五個半重疊的時元計算光譜圖
11.取得所述光譜圖的真實、絕對值
12.提取0.083-0. 03Hz區域，形成新的矢量
13.計算光譜特征(SF)，作為最大值和平均值之間的差別。圖4和圖5分別描述了 CSR和OSA的光譜特征的分布，作為剛剛所描述的傅里葉變換的最大值和平均值的差別。小波變換的使用
在信號的持續時間，也可應用連續的小波變換獲得時間-頻率信號。圖6展示了在典型的時元El中，CSR的氧飽和度。在這樣的CSR時元中，小波變換數據經常產生可在二維數據中發現或測得的脊線。根據所使用的小波變換的類型，可將小波譜從尺度域(無量綱)轉換為傅里葉等效頻率(Hz)。圖7展示了作為傅里葉等效頻率函數的小波全譜，使用Morlet 小波作為小波函數。具有強大存在的CSR的時元經常在約0.02 Hz的傅里葉等效區發現譜峰。這對應于傅里葉基礎的譜峰，如圖7所示。因此，在本技術的一些實施例中，小波全譜的峰作為光譜特征，用于在血氧飽和度信號中分析CSR。飽和度延遲
呼吸暫停/呼吸不足與呼吸過度的周期性交替經常導致去飽和與再飽和延遲但與呼吸同步。這種飽和度水平的反應延遲("DoS")是復雜的心肺動力學的結果。下面方法的一些或全部步驟可用于一些實施例中，以提取延遲算法。1.對流量信號求平方
2.低通過濾所述求平方的流量信號
3.對所得的信號求平方根
4.對所述血氧飽和度信號的等效頻率進行下采樣，以得到通氣信號
5.用絕對最大值將所述通氣信號標準化
6.從100%減去所述血氧飽和度信號
7.用絕對最大值標準化
8.從ι.ο減去所述SpA信號
9.將所述標準化的SpA信號與下采樣和標準化的通氣信號交叉相關 ο.尋找得到的最大交叉相關的補償
11.計算樣本中的延遲，作為所述SpA信號的最后指數的樣本數
12.通過采樣率劃分樣本中的延遲，以獲得以秒為單位的延遲
可選擇地，可對所述流量信號進行絕對值運算，作為在上述步驟1和3中的平方運算和平方根運算的替代。圖8展示了這種計算的結果，通過繪制作為時間秒的函數的濾過SpA信號以及使用計算的延遲的變化的通氣信號。訓練分類器以辨別CSR
可選擇事件特征和傅里葉基礎的光譜特征來訓練本技術的分類器。在實施例中，使用臨床診斷研究的90 Embletta記錄進行訓練。使用多導睡眠圖(PSG)數據的兩個獨立集開發分類器的算法。所述第一集(此處稱為EssenEmbla研究)為在德國北萊茵威斯特伐利亞的埃森的睡眠設備上進行的診斷性臨床試驗，包括90名患有中樞性睡眠呼吸暫停(CSA)、OSA以及患有上述兩種疾病的患者。 EssenEmbla研究用作訓練集。所述第二集(BadO)在德國北萊茵威斯特伐利亞的德奧尹豪森進行。該BadO數據集的患病率也包括CSA、OSA和二者結合的記錄。這些是8小時的通宵記錄，該記錄然后用于測試集，從而在訓練階段之后評估所述分類器。為了便于訓練所述分類器算法，最初臨床醫生對上述兩個數據集進行預分類。在 ResMed的駐地臨床專家對在30分鐘的片段中的所述每個記錄進行劃線，其中主要事件的名稱通過具有PSG軟件的計算機通過離線視覺檢查的方式確定。將所述事件指定為五種一般類型的事件中的一種
1.沒有呼吸暫停
2.CSR
3.OSA
4.混合型呼吸暫停
5.組合事件最為預分類過程的結果，每8小時記錄總共產生16個非重疊的時元，每個具有特定類別的主要事件。訓練集中，包括90名患者，供1440類數據能夠用于訓練。任何剩余的少于30分鐘的時元不進行評估。然而，所述剩余的時元可選擇作為大于患者的幾個呼吸周期的任何周期。例如，所述剩余的時元可大于5分鐘。最優選的剩余的時元可以為30分鐘。在預劃線過程，臨床專家利用可獲得的PSG通道記錄來幫助確定主要事件，并為每個半小時片段分配名稱。這些記錄包括鼻流量、數字血氧飽和度、呼吸努力的測定、通過引力指標測定的睡眠姿勢、心律、腦電學(EEG)、心電圖("ECG")、肌電圖("EMG")以及眼電圖("E0G")。使用這些預分類的訓練集的名稱，通過計算機處理器和軟件將所述血氧飽和度和流量記錄分割成用于分析的精確的30分鐘非重疊數據的時元。選擇特定預分類的事件的時元，之后用于研究特定特征，以用作CSR的指示。通過將所述數據預分類為半小時時元，在所述整個記錄長度上，沒有消弱特定短期特征的量。對于每個時元時間的劃分都要以考慮到每個CSR事件長度和典型發生為基礎。對于周期長度大于平均90秒的CSR的消長模式，假設氧飽和度的去飽和和再飽和速度類似， 那么在半小時中可俘獲20個連續周期的CSR，這對于分析是足夠的。根據美國睡眠醫學科學院(AASM)1999出版的PSG診斷指示的標準方針，將溫和的阻塞性睡眠呼吸暫停(OSA)定義為在記錄中發現在平均每小時5至15個的事件中有超過10秒的呼吸暫停。在存在溫和的OSA的30分鐘的時元中，在半小時中至少有2. 5個事件。使用貝葉斯分類技術形成所述判別界線。該方法適用于通常的分布式數據，目的是尋找以最低風險將兩種類別(CSR和非-CSR)最優的分開的區別。也可使用其他的分類方法導出所述判別界線。這樣的例子可能包括神經網絡或臨近算法。圖9展示了在不同時元基礎上的判別界線以及其與經訓練的數據分布的關系。直線代表線性判別函數，橢圓線代表經貝葉斯分類的二次判別函數。所述判別函數將所述空間劃分為CSR區和非-CSR區。圖10和11展示了經訓練的判別界線應用于在不同時元基礎上的驗證測試數據集。可使用下面一系列的步驟導出全部SpO2記錄的整體概率。1.使用S形函數映射到所述判別界線的垂直距離來計算概率
2.如果所述概率大于指定的閾值如0. 5，那么所述時元將被分類為CSR。3.如果任意一個時元被分類為CSR，所述血氧飽和記錄將被分類為CSR-可能的圖12為實施例步驟的流程圖，僅用于描述特征抽出和分類。可通過軟件或如圖15進
一步展示的檢測裝置中的回路或存儲器來實施這樣的方法。不同患者的分類和結果概率值
為了理解所述分類器如何在不同患者基礎上很好地辨別CSR，使所述分類器為每個時元片段產生一個在零和一之間的概率值，來替代使分類器簡單地為每個時元確定一個二進制輸出(CSR或非-CSR)，盡管可以這樣做。為了每個導出的平均再飽和持續時間和光譜特征，計算從在所述特征空間的數據點至所述判別界線的距離。然后將該垂直距離映射至概率值，該概率值是從所述判別界線的距離的函數。
P ；—-如果所述距離為零，S卩(d=0)，所述特征值將與所述界線一致，那么概率正好為 0.5。當該距離增加至正無窮大，所述概率漸近趨向于1.0。當該距離增加至負無窮大，所述概率漸近趨向于0. 0。在該實施例中，通過將與CSR相對應的特征空間的區域定義為從所述判別式的正距離，可將CSR定義為任何大于0. 5的所得概率值。人們將認識到該技術可用于產生其他的值，通過從判別函數的距離來辨別CSR的存在。在不同患者基礎上，對血氧飽和度記錄進行分類的方法中，可將實施代表所述分類器的算法的處理器編程為在信號的全部長度內重復，計算每半小時時元的概率值，窗口增量為每次重復增加半個時元(即，十五分鐘)。該重復進行至直到所有的半小時時元經處理完，可得到所述記錄的概率值矢量。對于單個患者/記錄的CS的總體概率可使用所有經分類的時元的最大概率來計算。隨后通過加入CS判別的閾值，經測試集來評估所述分類器的總性能。這可產生接收者操作特征(R0C)，如圖14中所描述的例子。圖14中ROC曲線上的每個點代表與相鄰點距離0. 05概率增量/減量。在閾值概率為0. 75處得到最大面積，靈敏度為0. 8148，特異度為0. 8571。通過將所述閾值概率進一步增加至0. 8，在較低靈敏度0. 6667的代價下，可得到充分的特異度。下表總結了在不同患者基礎上測定的重要性能
閾值選擇(基于最大面積)0. 75 靈敏度0.814815 特異度0. 857143 假設的先驗概率0. 004 陽性預測值(PPV) 0. 02069 陰性預測值(NPV) 0. 99883 假警報率(FAR) 0. 97931 假保證率(FRR) 0. 00117 陽性似然比(LR+) 5. 703704 陰性似然比(LR-) 0. 216049
注意到該表假設患有CS的患者的先驗概率為0. 004。該估計基于在Jean-Louis Pepin 等的Sle印Medicine Reviews (2006) 10, 33-47中報道年齡為65歲以上的美國人患有充血性心力衰竭(CHF)的患病率為0. 01。在CHF人口中，據通常報道的，三分之一至二分之一的患有CSR。通過將在CHF人口中患CS的患病率值定為0. 4，從而將0. 01乘以0. 4計算得到先驗概率，為0. 004。陽性似然比(LR+)表示如果將患者分類為CS陽性整體，那么該患者真正患有CS 的預測概率被一個因子提高5. 7倍。類似地，陰性似然比(LR-)表示如果將患者分類為CS 陰性整體，那么該患者真正患有CS的預測概率被一個因子降低0.22倍。LR+和LR-共同為臨床醫生指示診斷測試的強度。根據Dan Mayer的書Essential Evidence-Based Medicine中診斷測試的定性強度的比率，LR+和LR-分別為6和0. 2被認為是“非常好的”。因此，可認為以不同患者基礎的本實施例分類器的診斷性能接近“非常好”。應用
當通過編程的處理器或其他處理裝置使用這樣的分類器時，該分類器的一個應用是作為計算機輔助診斷工具，使臨床醫生能夠檢查大量患者，用于CSR的證據。這種應用的一個例子可用于家庭睡眠測試的環境中，其中睡眠醫生為患者發放便攜式SDB檢查裝置，如帶有血氧定量計的ApneaLink 。優選地，可將整夜的睡眠數據收集起來供醫生隨后的分析。 醫生或臨床醫生的分析可離線實施，即，在一個或多個睡眠時間中使用所述測試裝置之后。 例如，包含所述分類器的算法可作為睡眠研究分析軟件如Somnologica (由Embla公司制作)或ApneaLink (由ResMed公司制作)的模塊。這可以使CSR的自動劃線標記在血氧飽和度信號圖或曲線上。圖13的圖解中展示了一個實施例。輔助性的功能將是基于由算法計算的分類結果，自動產生報告的模塊。之后臨床醫生能夠利用該報告作為支持他們的決策過程的總結。可選擇地，這樣的分類器算法可在SDB檢查裝置中實施，以在顯示信息上產生具有前面所述CS分類的數據。此外，在一些實施例中，上述本技術的血氧飽和度分類器可與流量分類器聯合使用，如公開號為20080177195的美國專利申請中公開的流量分類器，該公開的全部內容通過參考引入此處。例如，在這樣的實施例中，具有一個或多個編程的處理器的控制器可以包括血氧飽和度分類器算法和流量分類器算法。所述流量分類器可檢測傳遞或測量的流量， 然后用判別函數分析所述流量，并在閾值量的基礎上對所述流量進行分類。所述控制器產生的CS概率指標可根據分類器的兩種算法，例如，通過將所述概率數據結合，使用一種基于兩種概率的平均或任何概率的最大作為來自兩種分類器的最終結果的方法。這樣的控制器可提高準確性，并且一般具有較好的結果。因此，本技術的實施例可能包括具有一個或多個處理器的裝置或設備，用于進行特定的CSR檢測和/或訓練方法，如此處更詳細描述的所述分類器、閾值、特征和/或算法。 因此，所述裝置和/或設備可以包括集成芯片、存儲器和/或其他控制指令、數據或信息存儲媒介。例如，包括檢測和/或訓練方法的編程指令可編碼在所述裝置或設備的存儲器的集成芯片上。這樣的指令還可以或者使用合適的數據存儲媒介作為軟件或固件裝載。使用這樣的控制器或處理器，所述裝置可用于處理血氧飽和度信號數據。因此，所述處理器可控制如此處詳細描述的實施例中的對CSR發生或概率的評估。此外，在一些實施例中，所述裝置或設備本身可選擇的通過血氧定量計或其他血氣測量裝置來測試血氣自身，然后使用此處所述的算法。在一些實施例中，所述處理器控制指令可包含于計算機可讀存儲介質中，作為一般用途計算機使用的軟件，從而通過將所述軟件加載至一般用途計算機，使所述一般用途計算機可作為上面所述根據任意一種算法的特定用途計算機使用。圖15展示了一個實施例。在圖中，CSR檢測裝置1501或一般用途計算機可包括一個或多個處理器1508。所述裝置還可包括顯示接口 1510，以輸出如此處所述的CS檢測報告、結果或圖，如顯示器或IXD顯示屏。也可使用用戶控制/輸入接口 1512，如鍵盤、鼠標等啟動此處所描述的方法。所述裝置還可包括傳感器或數據接口 1514，用于接收數據，如編程指令、血氧飽和度數據、流量數據等等。所述裝置通常還可包括存儲器/數據存儲部件。 這些可以包括在1522處用于血氣數據/血氧飽和度信號處理(例如，再處理方法、濾波器、 小波變換、FFT、延遲計算)的處理器控制指令。他們還可包括在15M用于分類器訓練方法的處理器控制指令。他們還可包括在15 用于基于血氣數據和/或流量數據(例如，特征提取方法、分類方法等等)的CSR檢測方法的處理器控制指令。最后，他們還可包括用于這些方法的存儲的數據1528，例如檢測的CSR事件/概率、閾值/判別函數、光譜特征、事件特征、血氣數據/血氧飽和度數據、流量數據、CSR報告、平均再飽和持續時間、再飽和周期等寸。 當結合目前認為實用并優選的實施例描述本技術時，可以理解的是，本技術不限于上述所公開的實施例，而是相反地，意于覆蓋多種修改和包含在本技術的精神和范圍內的等同布置。
權利要求
1.一種用于指示潮式呼吸的存在的方法，該方法從通過血氧飽和度信號測得的血氧飽和度水平中指示出潮式呼吸的存在，所述方法包括從所述血氧飽和度信號中識別并去除偽影的血氧飽和度周期，以產生第二信號；借助處理器來確定所述第二信號中的再飽和連續周期的平均長度，并基于所確定的平均長度的范圍來產生潮式呼吸的正性指示。
2.根據權利要求1所述的方法，其特征在于，當確定的所述平均長度的范圍超過預定閾值時，產生所述正性指示。
3.根據權利要求1所述的方法，其特征在于，所述方法還包括過濾所述第二信號，以去除高頻。
4.根據權利要求3所述的方法，其特征在于，所述方法還包括對所述第二信號進行頻率分析，以確定氧飽和度水平的振蕩范圍，其中，當振蕩超過更長的周期時間時，產生潮式呼吸的正性指示。
5.根據權利要求4所述的方法，其特征在于，所述第二信號經傅里葉分析，以確定氧飽和度水平的振蕩范圍，其中當傅里葉譜中約0. 02Hz處出現峰時，產生潮式呼吸的正性指7J\ ο
6.根據權利要求4所述的方法，其特征在于，所述第二信號經小波分析，以確定在氧飽和度水平的振蕩，其中當振蕩超過更長的周期時間時，產生潮式呼吸的正性指示。
7.一種用于指示潮式呼吸的存在的方法，該方法通過由血氧飽和度信號和通氣流量信號測得的血氧飽和度水平來指示潮式呼吸的存在，所述方法包括借助處理器來確定與具有呼吸暫停或呼吸不足以及呼吸過度的通氣流量水平數據相比、血氧飽和度水平數據的延遲；如果確定的延遲大于預定閾值，則產生潮式呼吸的正性指示。
8.一種用于訓練分類器的方法，以根據由血氧飽和度信號測得的血氧飽和度水平來辨別潮式呼吸，所述方法包括對多導睡眠圖數據進行預分類，以獲得非重疊的時元，每個時元具有特定類別的主要事件；使用處理器將血氧飽和度和流量記錄分割為具有預定時間長度、非重疊的時元；使用處理器形成判別界線，以使用所述時元來辨別潮式呼吸和非潮式呼吸事件類別。
9.根據權利要求8所述的方法，其特征在于，所述預定時間長度大于5分鐘。
10.根據權利要求8所述的方法，其特征在于，所述預定時間長度約為30分鐘。
11.根據權利要求8所述的方法，其特征在于，所述方法還包括，確定每個事件距所述判別界線的距離，并針對每個時元將所述距離標準化為一概率值。
12.根據權利要求11所述的方法，其特征在于，所述預定時間長度約為30分鐘。
13.根據權利要求12所述的方法，其特征在于，相同長度的時元與所述記錄同樣長。
14.根據權利要求13所述的方法，其特征在于，所述時元長度約為典型呼吸不足-呼吸過度序列的長度。
15.一種通過血氧飽和度信號和通氣流量信號檢測潮式呼吸存在的裝置，其中所述裝置從所述血氧飽和度信號中識別并去除偽影的血氧飽和度周期，以產生第二信號；其中，所述裝置確定所述第二信號中的再飽和連續周期的平均長度，并且如果所述平均長度大于預定閾值，則返回潮式呼吸的正性指示。
16.根據權利要求15所述的裝置，其特征在于，所述裝置從所述第二信號中過濾出高頻。
17.根據權利要求15所述的裝置，其特征在于，通過第一分類器將所述血氧飽和度信號與閾值的第一集進行比較，通過第二分類器將所述通氣流量信號與閾值的第二集進行比較。
18.一種用一個或多個編程處理器檢測潮式呼吸的發生的計算機實施方法，所述方法包括獲得代表測定的血氣信號的血氣數據；從所述血氣數據中確定變化的血氣飽和度的一個或多個連續周期的持續時間；通過將所確定的持續時間與一閾值進行比較來檢測潮式呼吸的發生，所述閾值用來區分由潮式呼吸引起的飽和度變化和由阻塞性睡眠呼吸暫停引起的飽和度變化。
19.根據權利要求18所述的方法，其特征在于，飽和度變化的一個或多個連續周期包括再飽和周期，測得的血氣信號包括血氧飽和度信號。
20.根據權利要求19所述的方法，其特征在于，所確定的持續時間包括平均周期長度， 其中當所述平均周期長度超過所述閾值時，檢測結果指示潮式呼吸的發生。
21.根據權利要求20所述的方法，其特征在于，所述閾值包括判別函數。
22.根據權利要求21所述的方法，其特征在于，對潮式呼吸的發生的檢測包括確定距所述閾值的距離，并將所述距離與另一閾值進行比較。
23.根據權利要求21所述的方法，其特征在于，所述方法還包括在所述血氣數據的去飽和和再飽和周期的預定頻率范圍確定峰的存在，并將被確定的存在與所述判別函數進行比較。
24.根據權利要求23所述的方法，其特征在于，所述方法還包括處理所述血氣數據，以去除偽影數據。
25.根據權利要求M所述的方法，其特征在于，所述方法還包括使用血氧定量計測定所述血氣。
26.一種檢測潮式呼吸的發生的裝置，所述裝置包括用于存儲血氣數據的存儲器，所述血氣數據代表測得的血氣信號；與所述存儲器連接的處理器，所述處理器用于(a)從所述血氣數據中確定變化的血氣飽和度的一個或多個連續周期的持續時間，(b)通過將所確定的持續時間與一閾值進行比較來檢測潮式呼吸的發生，所述閾值用來區分由潮式呼吸引起的飽和度變化和由阻塞性睡眠呼吸暫停弓I起的飽和度變化。
27.根據權利要求沈所述的裝置，其特征在于飽和度變化的一個或多個連續周期包括再飽和周期，所測得的血氣信號包括血氧飽和度信號。
28.根據權利要求27所述的裝置，其特征在于，所確定的持續時間包括平均周期長度， 其中當所述平均周期長度超過所述閾值時，檢測指示出潮式呼吸的發生。
29.根據權利要求觀所述的裝置，其特征在于，所述閾值包括判別函數。
30.根據權利要求四所述的裝置，其特征在于，所述處理器進一步地通過確定距所述判別函數的距離并將該距離與另一閾值進行比較來檢測潮式呼吸的發生。
31.根據權利要求四所述的裝置，其特征在于，所述處理器還用于確定峰在所述血氣數據的去飽和和再飽和周期的預定頻率范圍中的存在，并將所確定的存在與所述判別函數進行比較。
32.根據權利要求31所述的裝置，其特征在于，所述處理器還用于處理所述血氣數據， 以去除偽影數據。
33.根據權利要求32所述的裝置，其特征在于，所述裝置還包括血氧定量計，與所述處理器相連，以產生所述血氣信號。
34.一種用于指示潮式呼吸的存在的裝置，該裝置從通過血氧飽和度信號測得的血氧飽和度水平中指示出潮式呼吸的存在，所述裝置包括用于從所述血氧飽和度信號中識別并去除偽影的血氧飽和度周期、以產生第二信號的機構；用于確定所述第二信號中的再飽和連續周期的平均長度、并基于所確定的平均長度的范圍來產生潮式呼吸的正性指示的機構。
35.一種用于指示潮式呼吸的存在的裝置，該裝置從由血氧飽和度信號和通氣流量信號測得的血氧飽和度水平來指示潮式呼吸的存在，所述裝置包括用于確定與具有呼吸暫停或呼吸不足以及呼吸過度的通氣流量水平數據相比、血氧飽和度水平數據的延遲的機構；用于在所確定的延遲大于預定閾值時產生潮式呼吸的正性指示的機構。
36.一種用于檢測潮式呼吸的發生的裝置，包括用于獲得代表測得的血氣信號的血氣數據的機構；用于從所述血氣數據中確定變化的血氣飽和度的一個或多個連續周期的持續時間的機構；用于檢測潮式呼吸的發生的機構，該機構通過將所確定的持續時間與一閾值進行比較來檢測潮式呼吸的發生，所述閾值用來區分由潮式呼吸引起的飽和度變化和由阻塞性睡眠呼吸暫停引起的飽和度變化。
全文摘要
基于血氣檢測結果如血氧飽和度來進行潮式呼吸(CSR)檢測的方法和裝置。在一些實施例中，從處理過的血氧飽和度信號中確定變化的飽和或再飽和連續周期的持續時間，例如平均持續時間。可通過將所述持續時間與一閾值進行比較來檢測CSR的發生，所述閾值用來區分由潮式呼吸引起的飽和度變化和由阻塞性睡眠呼吸暫停引起的飽和度變化。所述閾值可以是通過自動訓練方法導出的、作為分類器的判別函數。所述判別函數可進一步在對所述血氧飽和度數據進行分析的基礎上，描述CSR的時元。可用距所述判別函數的距離來產生所述CSR檢測的概率值。
文檔編號A61B5/1455GK102458245SQ201080025272
公開日2012年5月16日 申請日期2010年4月15日 優先權日2009年4月20日
發明者劉俊睿, 杰弗里·彼得·阿米斯特德 申請人:雷斯梅德有限公司