睡眠监测系统的现状和未来挑战:系统综述gydF4y2Ba

介绍gydF4y2Ba

背景gydF4y2Ba

睡眠对人类健康和生活质量至关重要。睡眠不足和睡眠障碍在世界老年人中越来越普遍。gydF4y2Ba1gydF4y2Ba，gydF4y2Ba2gydF4y2Ba]。长期以来，多导睡眠图(PSG)一直是量化睡眠时间、区分睡眠阶段和评估睡眠片段性的金标准。PSG提供睡眠期间全面的生理信息，包括脑电图(eeg)、心电图(ecg)、肌电图(EMG)、眼电图(EOG)、口鼻气流、体位、胸部和腹部运动、脉搏血氧测定和肢体运动。睡眠对健康和幸福的严重影响是睡眠监测的主要动机。gydF4y2Ba

• 关于个人健康gydF4y2Ba据美国国家睡眠基金会称，睡眠是健康的基础，与饮食和锻炼一样重要。睡眠不足会导致不良的健康后果，包括肥胖[gydF4y2Ba3.gydF4y2Ba]、心血管疾病[gydF4y2Ba4gydF4y2Ba]和抑郁症[gydF4y2Ba5gydF4y2Ba]。睡眠也与创造力有关[gydF4y2Ba6gydF4y2Ba]，记忆巩固[gydF4y2Ba7gydF4y2Ba]，认知功能[gydF4y2Ba8gydF4y2Ba]。据报道，伴有睡眠障碍(如阻塞性睡眠呼吸暂停)的心源性猝死患者在睡眠时间死亡率最高[gydF4y2Ba9gydF4y2Ba]。gydF4y2Ba
• 对社会gydF4y2Ba在美国，睡眠障碍的发病率似乎是一个全球关注的问题。在全球人口中，非洲和亚洲人口的16.6% [gydF4y2Ba10gydF4y2Ba]， 18%的欧洲人[gydF4y2Ba11gydF4y2Ba]，以及北美超过20%的人口[gydF4y2Ba12gydF4y2Ba，gydF4y2Ba13gydF4y2Ba受到夜间睡眠障碍的影响。这种流行导致了一系列社会问题，如慢性病、道路交通事故和工作场所事故的高发率。大约13%的工伤是由于睡眠问题造成的[gydF4y2Ba14gydF4y2Ba]。在美国，每年用于治疗中重度睡眠障碍及相关障碍的支出达1650亿美元，远远超过治疗心力衰竭、中风、高血压和哮喘等疾病的费用，后者每年的费用从20美元到80美元不等[gydF4y2Ba15gydF4y2Ba]。在五个经合组织(经济合作与发展组织)国家中，睡眠不足的经济成本分别占各自国内生产总值的1.35%(加拿大)、1.56%(德国)、1.88%(英国)、2.28%(美国)和2.92%(日本)[gydF4y2Ba16gydF4y2Ba]。gydF4y2Ba

睡眠阶段评分规则gydF4y2Ba

临床医生可以通过分析夜间的PSG记录获得可靠的睡眠监测结果，如睡眠阶段。关于睡眠阶段指南和评分规则，Rechtschaffen和Kales于1968年提出的R&K规则[gydF4y2Ba17gydF4y2Ba直到2007年，美国睡眠医学学会(AASM)更新了通常被称为AASM评分手册的评分手册[gydF4y2Ba18gydF4y2Ba]。R&K规则和AASM规则在使用的术语上有所不同。R&K法则将睡眠分为6个不同的阶段:W(清醒);非快速眼动(non-REM [NREM])阶段S1、S2、S3和S4;快速眼动睡眠阶段。AASM规则将睡眠分为5个阶段:W(清醒)阶段N1(前阶段1睡眠)，N2(前阶段2睡眠)阶段N3(前阶段3和4睡眠)和R阶段(前阶段REM睡眠)，如图所示gydF4y2Ba图1gydF4y2Ba．gydF4y2Ba

对于同一次睡眠，R&K规则和AASM规则得到的评分结果会略有不同。一项研究[gydF4y2Ba19gydF4y2Ba采用这两种规则对21 ~ 86岁的健康受试者和患者(女性38例，男性34例)的PSG睡眠记录进行评分。结果表明，睡眠潜伏期、快速眼动潜伏期、总睡眠时间和睡眠效率不受分类标准的影响。相比之下，在R&K和AASM分类中，第一阶段(S1/N1)、第二阶段(S2/N2)和慢波睡眠(S3+S4/N3)中花费的时间(以分钟为单位和占总睡眠时间的百分比)差异显著。虽然浅睡眠和深度睡眠增加(S1比N1 [+10.6 min， (+2.8%)]:gydF4y2BaPgydF4y2Ba< . 01;S3+S4 vs N3[+9.1分钟(+2.4%)]:gydF4y2BaPgydF4y2Ba< 0.01)，根据AASM规则，2期睡眠明显减少(S2 vs N2) [gydF4y2Ba−gydF4y2Ba20.5分钟，(-4.9%)]:gydF4y2BaPgydF4y2Ba< . 01)。gydF4y2Ba

两种睡眠标准结果之间的差异可归因于所使用的不同规则[gydF4y2Ba20.gydF4y2Ba]。gydF4y2Ba

提醒读者，睡眠阶段不应被视为不同的实体，而应被视为波形的逐渐过渡。睡眠通常遵循一种可预测的模式，在浅睡眠阶段、深度睡眠阶段和快速眼动阶段之间循环进行。每个睡眠周期通常持续约90分钟，在夜间重复4至6次。在每个睡眠周期中，人们通常首先经历从浅睡眠到深度睡眠的过渡，然后再切换到快速眼动睡眠。然而，有些阶段可以在睡眠中跳过。例如，人们可以切换到快速眼动睡眠或直接从快速眼动睡眠返回深度睡眠[gydF4y2Ba21gydF4y2Ba]。使用标准参数分析睡眠质量，如睡眠效率、总睡眠时间、睡眠潜伏期、睡眠阶段1和2、慢波睡眠(睡眠阶段3和4)、快速眼动睡眠、睡眠开始后的清醒时间和夜间清醒时间[gydF4y2Ba22gydF4y2Ba]。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

睡眠障碍，最近发布的第三版gydF4y2Ba国际睡眠障碍分类gydF4y2Ba（gydF4y2BaICSD-3gydF4y2Ba)已确定7大类睡眠障碍，包括失眠、与睡眠有关的呼吸障碍、中枢性嗜睡障碍、昼夜节律睡眠-觉醒障碍、与睡眠有关的运动障碍、睡眠异常及其他睡眠障碍[gydF4y2Ba23gydF4y2Ba]。大多数睡眠障碍都可以通过睡眠监测系统进行监测，其中一些详细如下:gydF4y2Ba

• 失眠gydF4y2Ba指睡眠质量和睡眠量的损害。根据Ohayon [gydF4y2Ba24gydF4y2Ba]， 10%到30%的成年人受到失眠的影响。该诊断的ICSD-3标准包括(1)睡眠开始或维持问题的报告，(2)充足的睡眠机会和环境，以及(3)白天的后果。慢性失眠症的ICSD-3病程标准为3个月，并增加了频率标准(每周至少3次)。gydF4y2Ba
• 睡眠呼吸暂停gydF4y2Ba以睡眠时呼吸暂停或呼吸浅为特征的[gydF4y2Ba25gydF4y2Ba]。由于睡眠呼吸暂停，病人在夜间经常醒来以恢复呼吸。频繁醒来会导致睡眠质量很差，白天过度疲劳。通常，睡眠呼吸暂停可能伴有响亮的鼾声，可以很容易地通过麦克风进行监测(许多研究者研究了基于鼾声信号处理的方法，以实现睡眠呼吸暂停的辅助诊断方式)[gydF4y2Ba26gydF4y2Ba-gydF4y2Ba28gydF4y2Ba]。gydF4y2Ba
• 不宁腿综合征(RLS)gydF4y2Ba是基于一种移动腿部的冲动，有时伴有一种不舒服的感觉，(1)主要发生在休息或不活动时，(2)只要运动发生，就会部分或完全被运动缓解，(3)主要发生在晚上或夜间[gydF4y2Ba29gydF4y2Ba]。高达30%的病例是由缺铁引起的。这些不正常的腿部运动可以很容易地用加速度计监测[gydF4y2Ba30.gydF4y2Ba-gydF4y2Ba32gydF4y2Ba]。gydF4y2Ba
• 周期性肢体运动障碍(PLMD)gydF4y2Ba以肢体运动异常为特征，导致睡眠质量恶化[gydF4y2Ba33gydF4y2Ba]。对于年轻人，当睡眠期间周期性肢体运动指数(PLMS;每小时PLMS数)大于5。对于老年人，通常采用PLMS指数大于15作为病理阈值。这种疾病可以通过肌电图来检测[gydF4y2Ba34gydF4y2Ba]或活动记录仪[gydF4y2Ba30.gydF4y2Ba]。gydF4y2Ba
• 非快速眼动唤醒障碍(DAN)gydF4y2Ba包括神志不清、觉醒、梦游、睡眠恐怖和与睡眠有关的饮食失调[gydF4y2Ba23gydF4y2Ba，gydF4y2Ba35gydF4y2Ba]。觉醒障碍的一般标准包括:(1)反复发作的不完全觉醒，(2)缺乏或不适当的反应，(3)有限或没有认知或梦报告，以及(4)部分或完全失忆。在非快速眼动阶段检测到重复的尾迹可能是DAN的征兆。这种疾病可以通过脑电图检测出来。gydF4y2Ba
• 快速眼动睡眠行为障碍gydF4y2Ba以间歇性地丧失快速眼动睡眠弛缓症和出现与梦境有关的复杂的运动活动为特征，如由快速眼动引起的反复发作的行为或发声[gydF4y2Ba36gydF4y2Ba]。当在REM阶段检测到特定的动作和声音时，应考虑RBD的怀疑。这种疾病可以通过使用麦克风、活动记录仪和脑电图来检测。gydF4y2Ba

因此，研究新的睡眠监测系统解决方案，为用户和临床医生提供快速、可靠和长期的监测结果，似乎越来越引起人们的兴趣。创新的家用睡眠监测系统为用户提供了自己的睡眠阶段和质量，可以作为临床医生诊断睡眠障碍的参考。gydF4y2Ba

对于睡眠监测，睡眠监测系统可以包括各种可穿戴或非接触式设备，包括传感器、执行器、智能织物、电源、无线通信网络、处理单元、多媒体设备、用户界面、软件以及用于数据捕获、处理和决策支持的算法。这些系统能够测量生命体征，如身体和肢体运动、身体和皮肤温度、心率、心电图、脑电图、肌电图和呼吸频率。测量结果通过传感器网络传输到中央连接节点，如个人数字助理，或直接传输到医疗中心进行存储、数据处理和决策。gydF4y2Ba

为了讨论这一潜力，本文旨在回顾睡眠监测系统领域的研究与发展现状，突出了正在开发的最有前途的项目的主要特点和未来的挑战。gydF4y2Ba

方法gydF4y2Ba

概述gydF4y2Ba

随着睡眠问题的日益突出，睡眠监测系统的研究已成为智能人体监测领域的热点之一。因此，睡眠监测系统开发技术的进步也在不断加快。人们正采用简单、轻便、小尺寸的传感器系统来获取与睡眠相关的生理信息。这些系统旨在适应黄金标准PSG，包括睡眠阶段、睡眠或清醒、睡眠呼吸暂停、睡眠姿势等。此外，与传统的PSG方法相比，这种系统的优点是价格合理，几乎不需要技术人员的干预，可以安装在家中，并且可以长期使用。随着传感器的小型化、能耗的降低和各种通信可能性(蓝牙、Wi-Fi、Sigfox、LoRa和NB-IoT)的发展，该系统得到了迅速发展。这些技术使当前的睡眠监测系统具有更少的干扰和有效的远程和连续监测。在这篇综述中，选择了具体的选择标准作为睡眠监测系统的参考文章。gydF4y2Ba

睡眠监测系统搜索的纳入标准gydF4y2Ba

大多数睡眠监测系统研究项目都集中在智能、便携式和非侵入式设备上，这些设备包括无线通信，以贴片或非接触形式将监测地点从医院移到家庭。包括具有以下特点的系统:gydF4y2Ba

• 可穿戴、便携、非侵入式、无线和非接触。gydF4y2Ba
• 贴片，身体传感器系统和传感器网络。gydF4y2Ba
• 采购产品带子，手表，纺织品，床单和皮带。gydF4y2Ba
• 移动，固定，流动，在家和远程。gydF4y2Ba

自动收集和传输获得的数据和处理结果可以帮助医生和护理人员轻松跟踪睡眠状况。此外，它还可以更容易地从数据中发现趋势，从而深入了解个性化的睡眠模式。gydF4y2Ba

搜索方法和策略gydF4y2Ba

这篇文献综述着重介绍了目前睡眠监测系统所采用的硬件和软件。我们收录了期刊出版物、会议出版物和相关网站上的信息。资料收集的关键字见gydF4y2Ba文本框1gydF4y2Ba．我们在Web of Science、PubMed和PubMed Central进行了关键词搜索。gydF4y2Ba

结果gydF4y2Ba

由于检索到的文章和摘要数量众多，因此决定仅纳入2013年至2018年在Web of Science、PubMed和PubMed Central上发表的文章。通过统计每个关键词在书目数据库中的点击率，我们可以发现该领域的搜索热点和尚未被覆盖的方面。在第一次搜索中，我们试图找到文章和摘要，以及包含关键词的网站gydF4y2Ba文本框1gydF4y2Ba．关键字可以单独使用，也可以使用and或运算符组合使用。文章应该清楚地描述系统、需要这些系统的接收者或用户，以及与睡眠监测系统相关的问题，包括测量的参数、无线传感器网络(WSN)、用户需求和用户接受程度。由于本综述并未对睡眠监测系统领域的科学文献进行详尽的介绍，因此仅介绍了学术界或工业界的一些具有代表性的睡眠监测系统研发项目或产品。gydF4y2Ba

2013年至2018年，睡眠监测系统研究领域的点击率见gydF4y2Ba表1gydF4y2Ba．gydF4y2Ba

表1gydF4y2Ba显示睡眠大数据、睡眠机器学习、睡眠人工智能、睡眠数据挖掘等关键词的点击量低于其他关键词。大数据、机器学习、人工智能和数据挖掘等技术似乎尚未广泛应用于睡眠监测研究领域，尽管它们现在专注于其他研究领域。因此，这些热点技术与睡眠监测相结合可能是一个很有前途的研究方向，未来将吸引更多的研究人员。为了便于阅读表1中的数据，绘制了直方图，如图所示gydF4y2Ba图2gydF4y2Ba．gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

讨论gydF4y2Ba

通过对搜索结果的观察和分析，我们发现当前和快速发展的前沿热点技术，如大数据集、数据挖掘、人工智能、机器学习等，尚未广泛应用于睡眠监测领域。然而，由于这些技术强大的性能和丰富的应用，它们在睡眠监测领域的应用有望成为未来的发展趋势，当然具有很大的研究价值和市场机会。gydF4y2Ba

大数据可以用3个关键概念来定义:数量、速度和多样性。gydF4y2Ba体积gydF4y2Ba指生成和存储的数据量。一般来说，数据量越大，描述性和预测性分析的统计能力就越强。应用于睡眠监测系统，它可以更好地描述睡眠行为，预测睡眠相关疾病和健康状况。gydF4y2Ba速度gydF4y2Ba指数据生成和处理的速度。大数据通常是实时可用的。这使得人们更容易及时获得睡眠监测结果，同时帮助受试者或医务人员快速应对睡眠监测过程中发现的异常和紧急情况。最后，这个词gydF4y2Ba各种gydF4y2Ba指数据的不同来源、类型和格式。如今，通过睡眠监测系统收集的数据类型越来越多，包括文本、音频、图像和视频数据。大数据可以通过数据融合来弥补缺失的数据。这样可以有效地获得全面的睡眠信息。此外，大数据可以通过对各种相关信息，如年龄、性别、BMI、居住地、职业等的全面、详细的收集，提供有针对性的信息。例如，特定的年龄群体，特定的性别，生活在特定地点的人，从事特定职业的人，以及特定体型的人，睡眠质量差的比例更高。在此基础上，可以在某些地区组织更多的医疗资源，同时，可以在睡眠健康方面给予一些睡眠质量差率较高的人群更多的关注。这将提高医疗系统的效率。gydF4y2Ba

人工智能是指通过计算机程序呈现人类智能的技术。机器学习使用数据或以前的经验来自动提高特定算法的性能。数据挖掘是一种计算过程，它使用人工智能、机器学习、统计学和数据库来发现相对较大的数据集中的模式。一般来说，机器学习被认为是人工智能的一个子集，主要由数据挖掘组成。作为一项乏味而重复的任务，睡眠监测非常适合采用这些有前途和强大的方法。在应用这些方法时，通过大数据技术的不断发展，可以更方便、及时地获取大量、多样的睡眠相关数据。这使得这些方法可以用于训练更强大的模型，并逐步从原始数据中提取更高级别的特征，以创建更智能，更高效，更方便的睡眠监测系统。gydF4y2Ba

睡眠监测系统的当前问题gydF4y2Ba

用户需求、感知和接受gydF4y2Ba

一个好的睡眠监测系统在设计之前应该考虑到用户的需求、感知和接受程度。用户对睡眠监测系统的需求是多种多样的。这些可能包括获得关于睡眠的准确和完整的信息。这些需求可以通过PSG和EEG等专业医疗仪器来满足。此外，用户需求还可以获得辅助参考信息，即只有少量的关键信息，如睡眠持续时间、醒来次数、不同睡眠阶段的比例，甚至只有睡眠评分的汇总。这些需求通常可以通过具有睡眠监测功能的消费电子产品和智能手机中的各种应用程序来满足。与专业医疗设备相比，这类商业产品更好地考虑了用户的感知，通常是非侵入性的，非侵入性的，甚至是无接触的。用户对睡眠监测系统的感知与附着在身体上的电极或传感器的数量、位置和附着在身体上的方法密切相关。gydF4y2Ba

对于电极或传感器的数量，数量越少，用户的感知越好。对于所述附着物的位置，优选将其附着于远端肢体如手腕、手指、脚踝、脚背和脚趾，而不是附着于主体、面部和头部。附着在身体上的方法可以是使用胶带或皮带，例如胸带。一般来说，粘接可能比皮带给用户更好的感觉，因为它与身体的接触面积更小，对身体的约束更小。用户对睡眠监测系统的接受程度取决于用户需求和感知的满足程度。通常用户需求的满足和用户感知的满足是矛盾的。为了尽可能地满足用户的需求，需要收集更完整、更准确的人体生理信息，这往往意味着需要在更多的身体位置上安装更多的传感器，往往会使用户的感知变差。因此，一个好的睡眠监测系统的设计必须在用户的需求和感知之间找到一个平衡点，实现良好的用户感知，这通常与易用性有关，同时尽可能地满足用户的需求。gydF4y2Ba

有效性gydF4y2Ba

虽然PSG是睡眠监测的黄金标准，但它价格昂贵，侵入性强，操作复杂。PSG监测不容易获得，特别是在发展中国家[gydF4y2Ba37gydF4y2Ba]。由于PSG的诸多局限性，大多数人只接受一个晚上的PSG监测。然而，夜间监测并不足以确定实际的睡眠状态。为了提高疗效并获得适当的随访，长期在家监测是必要的。gydF4y2Ba

Guettari等[gydF4y2Ba38gydF4y2Ba]提出了一种基于一个热传感器的系统，该系统可以长期用于监测睡眠质量的变化，并且可以在家使用，也可以由睡眠医学专家远程咨询。长期监测得出的睡眠质量变化对评估睡眠健康非常有用。每天使用现有设备进行睡眠监测是一种有效的方法，例如使用我们的智能手机路由器进行睡眠监测。Liu等[gydF4y2Ba39gydF4y2Ba建议使用单个Wi-Fi接入点(如路由器)和单个Wi-Fi设备(PC或智能手机)监测睡眠期间呼吸和心率的重要体征，而不需要任何可穿戴或专用设备。因此，该系统具有广泛部署和进行连续长期监测的潜力。智能手机应用程序被认为是大规模、低成本和长期睡眠监测的好选择，这将提高有效性和准确性[gydF4y2Ba21gydF4y2Ba，gydF4y2Ba40gydF4y2Ba]。睡眠猎人[gydF4y2Ba41gydF4y2Ba是一种使用智能手机内置传感器的移动服务。它是在Android平台上实现的，可以检测睡眠阶段之间的过渡，以监测睡眠质量和智能唤醒电话，唤醒处于轻度睡眠状态的用户。长期监测的能力对睡眠监测系统的有效性很重要。长期监测对于可靠的结果和早期发现异常睡眠变化至关重要。要做到这一点，睡眠监测系统应该尽可能便宜、易于使用和易于获取。gydF4y2Ba

互操作性gydF4y2Ba

睡眠监测设备在医疗保健中很有用。如果睡眠监测系统软件应用程序能够无缝地收集医疗数据并将数据上传到数据库，这些设备的价值将会增加。ISO/IEEE11073 (X73)互操作性标准系列最初是为护理点临床环境设计的。X73的最新分支X73个人健康设备(X73PHD)能够开发可互操作的个人健康生态系统，并为技术生产商(设计成本降低、经验共享和营销设施)和用户(即插即用、可访问性、易于集成和价格)带来好处[gydF4y2Ba42gydF4y2Ba]。OpenICE是马萨诸塞州总医院医疗设备即插即用互操作性计划的一个开源软件项目，利用该计划自2004年以来进行的大部分研究来支持4个不同的用户组:用例演示、临床采用、监管科学和商业采用[gydF4y2Ba43gydF4y2Ba]。数据共享和互操作性对用户、研究人员、医生和企业都是积极的。随着大数据技术的发展和普及，提高互操作性是睡眠监测系统研究的热点，也是未来发展的趋势。gydF4y2Ba

硬件和软件注意事项gydF4y2Ba

对睡眠监测系统硬件的考虑主要集中在3个方面:成本、舒适性和便利性，这可能是实施验收的决定因素。在成本方面，设备应该是大多数人都能负担得起的。此外，对于需要频繁维护的设备，例如需要频繁更换特定组件和消耗特定试剂或材料的设备，应考虑其成本。对于设计使用一次性电池而不是可充电电池的设备，应考虑到能量消耗，因为频繁更换电池将大大增加使用成本。在舒适性方面，非接触式系统具有最大的优势，但对于接触式系统，重点是无线，小型化和减轻重量。舒适方面包括易于实现和维护方便。在实现的便利性方面，日常实现不必复杂和耗时。主要目标是允许用户在没有专业技术人员干预的情况下自己执行应用程序。一般来说，从维护便利性来看，维护间隔越长，操作越容易。gydF4y2Ba

睡眠监测系统软件的主要考虑因素有两方面:有效性和效率。首先，睡眠监测软件必须能够有效地处理收集到的数据，以获得最准确的监测结果。就效率而言，这包括时间效率和能源效率。考虑时间效率对实时睡眠监测系统的处理非常重要。执行时间的成本必须足够短，以满足实时需求。gydF4y2Ba

对于监测结束后处理数据的非实时睡眠监测系统，时间效率也非常重要。睡眠后，使用者往往会关心所获得的结果。等待时间会对用户体验产生影响，所以处理时间越短越好。能源效率取决于两个方面:算法的优化和硬件的睡眠或唤醒编程。如果能很好地优化算法，将显著降低算法执行的能耗。此外，通过对硬件进行合理的睡眠或唤醒编程，可以避免不必要的能耗。gydF4y2Ba

医疗、健康和生活质量福利gydF4y2Ba

睡眠质量对人类健康和生活质量至关重要。人们越来越认识到睡眠质量差和睡眠障碍的有害影响。睡眠障碍患者易患肥胖症、糖尿病、高血压等慢性疾病。使用睡眠监测系统可以减少与睡眠有关的疾病的发病率，或者通过长期监测和趋势分析可以通过睡眠来预测疾病。McHill等人[gydF4y2Ba44gydF4y2Ba证明了肥胖和睡眠时间之间的关系。Lee等[gydF4y2Ba45gydF4y2Ba研究了睡眠时间和睡眠质量对2型糖尿病患者血糖控制的影响。Fuchs等[gydF4y2Ba46gydF4y2Ba表明阻塞性睡眠呼吸暂停是难治性高血压的明显危险因素。睡眠监测系统的应用可以克服不频繁的临床就诊，可能无法检测到预测未来危险事件的短暂事件。通过长期趋势分析的早期诊断可以预防疾病的潜在严重程度。这些分析可以提供急性事件的即时诊断，向卫生保健专业人员发出警报，并通过远程诊断和远程治疗减少干预时间。一些典型的睡眠障碍，如睡眠呼吸暂停、不宁腿综合征、周期性肢体运动障碍等，可以通过睡眠监测及时发现。不幸的是，患有睡眠障碍(如阻塞性睡眠呼吸暂停)的人往往无法得到诊断。gydF4y2Ba47gydF4y2Ba因为他们通常甚至没有意识到发生了睡眠呼吸暂停事件。缺乏对睡眠症状的意识是现代生活中一个严重的健康问题。gydF4y2Ba48gydF4y2Ba]。这些疾病的早期症状可以通过轻度药物监测和治疗[gydF4y2Ba49gydF4y2Ba]。gydF4y2Ba

成本、心理和社会经济障碍gydF4y2Ba

无线贴片、腕带、胸带、发带或其他可穿戴设备将睡眠者与正式或非正式的护理人员、数据中心或呼叫中心连接起来，然后在睡眠异常的情况下通知医疗服务，这些设备价格合理且可靠。这项技术已经问世15年多了，但尽管它的价格低廉[gydF4y2Ba50gydF4y2Ba]，但几乎所有国家都很少采用。佩戴永久性医疗保健移动设备和系统会对患者产生心理影响。由于缺乏对提供反馈和偏好的最终用户测试智能可穿戴系统的研究，重大障碍限制了这些系统的广泛使用[gydF4y2Ba51gydF4y2Ba]。目前睡眠监测系统服务的高成本限制了其扩展。无线网络是睡眠监测系统部署的另一个障碍。截至2019年底，全球互联网普及率仅为58.7% [gydF4y2Ba52gydF4y2Ba]。因此，通过互联网访问服务并不总是可用的。受睡眠障碍影响的人可能很难找到足够的睡眠监测设备和服务来支持他们监测睡眠质量。经济和社会问题也需要解决，以确保睡眠监测系统市场的开放。目前还没有对睡眠监测系统的成本和收益进行合理的分析。一些研究只关注系统技术和性能[gydF4y2Ba40gydF4y2Ba，gydF4y2Ba53gydF4y2Ba]。需要考虑社会技术设计科学，以确保睡眠保健满足社会需求。最终，Coiera [gydF4y2Ba54gydF4y2Ba认为是我们文化的信仰和价值观塑造了我们的创造和梦想。卫生服务设计共有4条规则:(1)技术系统具有强烈的社会后果;(2)社会系统具有技术后果;(3)我们不设计技术;设计社会技术系统并不仅仅意味着设计技术，而且(4)社会技术系统的设计必须考虑人与技术相互作用的方式。gydF4y2Ba

隐私、道德和法律障碍gydF4y2Ba

随着睡眠监测技术的不断发展，通过睡眠监测系统对用户信息的收集也越来越细致和多样化。同时，从传统的隔夜监控逐渐演变为长期监控。这一系列的发展提高了睡眠监测的准确性和可靠性，但也显著增加了用户隐私信息泄露的风险。为了保护用户的隐私，传统的方法是在接受睡眠监测之前提供知情同意，并且只有在用户签署知情同意后才能进行数据收集。同意通常用于授权一项研究，并且在研究界没有具体的数据共享规定。鉴于大数据应用的高价值和逐渐普及的趋势，与数据共享相关的隐私问题迫切需要立法者解决。gydF4y2Ba

睡眠监测系统对社会的影响gydF4y2Ba

睡眠障碍影响了很大一部分人[gydF4y2Ba10gydF4y2Ba-gydF4y2Ba12gydF4y2Ba]。其社会经济后果可能是巨大的。它包括开车时的困倦、工作场所的困倦和心血管疾病[gydF4y2Ba55gydF4y2Ba]。Surantha等人[gydF4y2Ba56gydF4y2Ba认为监测睡眠质量是维持睡眠质量和预防慢性疾病、精神问题或睡眠障碍引起的事故的解决方案之一。gydF4y2Ba

基于这些考虑和问题，许多类型的睡眠监测系统已经被开发出来。下一节将详细介绍这些特性。gydF4y2Ba

睡眠监测系统功能gydF4y2Ba

传统睡眠监测系统gydF4y2Ba

多导睡眠描记术gydF4y2Ba

多导睡眠图(PSG)是20世纪60年代作为评估睡眠障碍的工具引入的睡眠评估的黄金标准。配备PSG的主体见gydF4y2Ba图3gydF4y2Ba．PSG记录至少12个通道，需要至少22根电线连接到患者身上。这些通道在每个实验室都不同，可以根据医生的要求进行调整。EEG至少有3个通道，1或2个用于测量气流，1或2个用于测量下巴肌肉张力，1个或更多用于测量腿部运动，2个用于测量眼动(EOG)， 1或2个用于测量心率和节律，1个用于测量氧饱和度，每条腰带各1个，用于测量胸壁和上腹壁的运动。皮带的运动通常是用压电传感器或呼吸感应脉搏波来测量的。呼吸幅度通常是用呼吸时温度的变化来测量的，用放置在气流路径(鼻和口)上的热敏电阻或热电偶来测量。用肌电图测量身体运动。血氧仪是通过红外光通过手指测量吸收模式(由血液中携带氧气的色素血红蛋白产生)来测量血液中的氧饱和度水平。体位传感器用于区分睡眠时的躺姿、站立姿和侧卧姿。gydF4y2Ba

虽然PSG提供了最准确和客观的睡眠测量，但执行和分析记录需要专门的设备，精心设计的设施，以及专业和经验丰富的PSG技术人员，这是昂贵和劳动密集型的。这种技术不适用于大规模和长期的睡眠监测[gydF4y2Ba57gydF4y2Ba]。gydF4y2Ba

图3gydF4y2Ba显示多导睡眠图的标准配置。在gydF4y2Ba图3gydF4y2Ba，病人躺在床上，身体上连接着传感器。在gydF4y2Ba图3gydF4y2Ba，多导睡眠图记录了随时间变化的血氧水平、呼吸活动和快速眼动睡眠阶段。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

脑电描记法gydF4y2Ba

EEG是一种电生理监测方法，它使用沿头皮放置的电极来测量大脑神经元中离子电流产生的电压波动，从而记录大脑的电活动[gydF4y2Ba58gydF4y2Ba]。脑电图信号是睡眠阶段分类中最重要的信号[gydF4y2Ba59gydF4y2Ba]。gydF4y2Ba

不同的睡眠阶段有不同的大脑活动特征，脑电图记录可以检测到这些活动。不同睡眠阶段的脑电图模式如图gydF4y2Ba图4gydF4y2Ba．第一阶段是清醒和睡眠之间的过渡阶段。通常持续1到5分钟。这一阶段包括具有明确的α (α)的低压脑电图轨迹。gydF4y2Ba图5gydF4y2Ba)和(gydF4y2Ba图5gydF4y2Ba)活动，偶尔的顶点高峰和缓慢的眼球运动。这一阶段平均占全部睡眠的4%至5%，没有睡眠纺锤波(gydF4y2Ba图5gydF4y2Ba)和k -配合物(gydF4y2Ba图5gydF4y2Ba）.第二阶段是gydF4y2Ba基线gydF4y2Ba其特点是睡眠纺锤波和k -复合体的出现以及相对低电压、混合频率的脑电图背景。此外，高压δ波可能占第2阶段的20%。第三阶段是至少20%但不超过50%的睡眠时间由EEG信号组成的时期，其频率小于或等于2hz，幅度大于75µV (δ波;gydF4y2Ba图5gydF4y2Ba）.阶段4与阶段3非常相似，除了delta波覆盖了50%或更多的记录。第四阶段通常占总睡眠时间的12%到15%。gydF4y2Ba

阶段3和阶段4一起被称为gydF4y2Ba深度睡眠gydF4y2Ba即慢波睡眠(SWS)，它是睡眠中最能恢复体力的部分。REM是做梦的睡眠阶段，占正常睡眠时间的20%到25%。众所周知，闭上眼睑下的快速眼动、运动性肌张力障碍和低电压脑电图模式的发生率。在快速眼动睡眠期间，大脑活动从第四阶段逆转到与第一阶段相似的模式。每个睡眠阶段的特征总结为gydF4y2Ba表2gydF4y2Ba．虽然脑电图可以准确判断睡眠阶段，但由于用户的复杂性和侵入性，难以实现大规模、长期、家庭的睡眠监测。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

心电描记法gydF4y2Ba

心电图(ECG)是使用放置在皮肤上的电极在一段时间内记录心脏电活动的过程。这些电极检测皮肤上微小的电变化，这些变化是由每次心跳时心肌去极化和复极化的电生理模式引起的。在传统的12导联心电图中，有10个电极被放置在病人的四肢和胸部表面。在浅睡眠、深度睡眠和快速眼动睡眠中，心率的相关行为有显著差异。在深度睡眠期间，心率降低，而在快速眼动睡眠期间，心率相对增加[gydF4y2Ba61gydF4y2Ba]。此外，在睡眠中的自发运动之前，心率会增加[gydF4y2Ba62gydF4y2Ba]。这些观察结果表明，心脏活动与睡眠阶段之间存在功能联系。与PSG和EEG一样，标准ECG的复杂性、高设备和专业知识要求是其作为大规模、长期、家庭睡眠监测方法使用的障碍。gydF4y2Ba

无线体域网络gydF4y2Ba

介绍gydF4y2Ba

无线体域网络(wireless body area network, WBAN)是一种无线传感器网络，旨在通过在人体上或旁边部署传感器，监测用户的生命体征和生理信息。从WBAN获取的参数可以包括脑电波、心率、身体运动、体温、血氧饱和度、声音等，也可以包括温度、亮度、噪音水平和湿度等环境条件。由于传感器和通信技术的进步，无线宽带网络能够在传感器组件之间的短距离上交换信息或命令。此外，传感器组件与数据库或控制中心之间的远程数据传输或控制也可以基于WBAN实现。这些特点使得WBAN非常适合执行连续监测任务，不需要过多的人工干预，满足睡眠监测的要求。因此，研究人员和技术人员基于无线宽带网络开发了许多睡眠监测系统。gydF4y2Ba

无线宽带网络技术在医学和人类保健领域受到高度重视[gydF4y2Ba63gydF4y2Ba]。在医疗保健领域，WBAN已经成为一项领先的技术，能够在医院、精神病院甚至在家中提供实时的患者健康监测[gydF4y2Ba64gydF4y2Ba]。无线宽带网络允许拆除电缆，并将仪器和智能离域到传感器节点本身，这对于建立非侵入式、便携式、连续的家庭睡眠监测系统非常有用[gydF4y2Ba55gydF4y2Ba]。目前，基于无线宽带网络的睡眠监测系统越来越受到国内外研究者的关注[gydF4y2Ba65gydF4y2Ba-gydF4y2Ba67gydF4y2Ba]。与无线宽带网络的发展类似，睡眠监测系统的发展趋势是小型化、智能化和长期监测能力。在本节中，我们选取了近年来基于无线宽带网络的睡眠监测系统的一些代表性作品，并从硬件和软件的角度进行了简要介绍。gydF4y2Ba

硬件实现gydF4y2Ba

基于无线宽带网络的睡眠监测系统是一种传感器网络应用，其中传感器是必不可少的硬件部分。传感器的选择决定了采集的机体参数类型，传感器的位置直接影响数据采集的效率、质量和用户接受程度。出于这些原因，我们列出了几部作品中使用的传感器的类型和位置，指定了可能的睡眠阶段描述，并简要分析了每种传感器的优缺点，如gydF4y2Ba多媒体附录1gydF4y2Ba［gydF4y2Ba68gydF4y2Ba-gydF4y2Ba99gydF4y2Ba]。gydF4y2Ba表3gydF4y2Ba列出每个研究中使用的传感器。gydF4y2Ba

如图所示gydF4y2Ba多媒体附录1gydF4y2Ba［gydF4y2Ba68gydF4y2Ba-gydF4y2Ba99gydF4y2Ba]，加速度计是这些工作中最常用的传感器，通常放置在手腕或胸部或靠近这两个位置。在这些作品中，麦克风只被采用了一次。然而，麦克风是一种广泛应用于睡眠呼吸暂停监测的传感器[gydF4y2Ba63gydF4y2Ba，gydF4y2Ba104gydF4y2Ba，gydF4y2Ba105gydF4y2Ba]。作为一种录音传感器，麦克风可用于侦测打鼾或呼吸异常。[gydF4y2Ba106gydF4y2Ba]，这也是与睡眠状态相关的重要生理参数。心电传感器和脉搏传感器都用于心率监测，但由于检测原理不同，其位置也不同。gydF4y2Ba多媒体附录1gydF4y2Ba［gydF4y2Ba68gydF4y2Ba-gydF4y2Ba99gydF4y2Ba研究表明，在大多数情况下，心电传感器被放置在胸部附近，而脉搏传感器被放置在手腕附近。因此，对于用户的接受度，脉冲传感器比心电传感器更好。gydF4y2Ba

加速度计和热电堆传感器都可以用于运动检测，但它们都有各自的优点。在用户接受度方面，加速度计一般应附在用户身上，但热电堆传感器是一种非接触式传感器，因此热电堆传感器更可取。然而，在测量精度方面，热电堆传感器很容易受到用户涂层的干扰，例如羽绒被，这会影响测量。此外，热电堆传感器只能在有限的固定区域内进行有效监测。热电堆传感器很难专门测量身体某些部位的运动，例如仅测量腿部运动来检测睡眠时腿部的周期性运动。因此，加速度计的性能优于热电堆传感器。总之，要选择的传感器类型取决于应用场景和具体要求。gydF4y2Ba

软件及算法处理gydF4y2Ba

软件或算法用于处理硬件收集的数据。gydF4y2Ba表4gydF4y2Ba介绍算法，软件和系统的结果说明了几本书或文章。gydF4y2Ba

数据或信号处理算法通常包括频谱分析、小波变换、经验模态分解(EMD)和各种滤波器。许多与睡眠有关的生理信号，如脑电图和心电图，是非平稳的。小波分析对于处理非平稳信号非常有用，这就是为什么它被许多专门从事睡眠监测的研究人员所采用的原因。EMD，由Huang等人提出[gydF4y2Ba109gydF4y2Ba]，通常用于从测量数据中提取呼吸和心跳信号。与基于小波的分解方法不同，该方法是数据驱动的，不需要事先定义父小波。利用这种技术，任何复杂的信号都可以被分解成一定数量的高频和低频分量，称为本征模态函数。该技术适用于非线性和非平稳生物信号的分析[gydF4y2Ba110gydF4y2Ba]并可以提取局部时间结构，如叠加在呼吸信号上的心跳[gydF4y2Ba111gydF4y2Ba]。在睡眠监测中，同时采集几种不同频率的生物信号。因此，滤波器是一种简单有效的信号识别工具，在该领域被广泛采用。gydF4y2Ba

分类算法通常用于睡眠阶段的分类。睡眠阶段分类是睡眠监测系统的一个重要而常见的输出。尽管根据AASM，睡眠阶段包括1、2、3、4阶段和REM阶段[gydF4y2Ba18gydF4y2Ba]，大多数研究将睡眠阶段简单地划分为gydF4y2Ba之后gydF4y2Ba，gydF4y2Ba光gydF4y2Ba睡眠gydF4y2Ba(第一及第二阶段);gydF4y2Ba深度睡眠gydF4y2Ba(第三及第四阶段);gydF4y2Ba快速眼动gydF4y2Ba［gydF4y2Ba108gydF4y2Ba]或gydF4y2Ba之后gydF4y2Ba，gydF4y2Ba非快速眼动gydF4y2Ba(阶段1、2、3、4)，REM [gydF4y2Ba102gydF4y2Ba]，或其他类似的方式。这种睡眠阶段的简化涉及到任务难度与应用程序需求之间的平衡。常用的分类器包括随机森林(RF)、支持向量机(SVM)、多层前馈神经网络(NN)、线性判别分析(LDA)、决策树(DT)和贝叶斯。一些论文比较了几个分类器在工作中的表现，以找到最好的一个[gydF4y2Ba101gydF4y2Ba，gydF4y2Ba108gydF4y2Ba]。gydF4y2Ba

研究原型gydF4y2Ba

非接触方法gydF4y2Ba

Seba等[gydF4y2BaOne hundred.gydF4y2Ba讨论了一种新的睡眠分析方法的发展。该系统基于温度监测(患者和环境)，旨在集成到syel - systemmes ELectroniques团队在智能脑电图项目框架内开发的远程医疗平台中。该方法基于热特征将活动分为3类:gydF4y2Ba觉醒gydF4y2Ba，gydF4y2Ba平静的睡眠gydF4y2Ba,gydF4y2Ba焦躁不安的睡眠gydF4y2Ba通过k均值聚类。在床上放置一个热电堆传感器(TMP007)，距离近2 m，测量上部gydF4y2Ba床上gydF4y2Ba+gydF4y2Ba病人gydF4y2Ba温度。通过专家的视觉分析，热像仪不仅可以提供医学格式的图像，还可以提供目标温度的空间分布信息，用于标记与患者在床上姿势变化相关的不同事件。利用惯性单元获得腕部三轴加速度，比较热电堆传感器的响应。该系统使用IButtons测量手腕、远端和近端皮肤温度[gydF4y2Ba112gydF4y2Ba]。白天和黑夜的交替，一方面对应着清醒和睡眠的交替，另一方面对应着高温和低温的交替。在睡眠期间，体温下降，而白天则升高。皮肤温度与体温不同，在睡眠时升高，醒来后降低。[的工作]gydF4y2Ba113gydF4y2Ba研究了将睡眠节律与核心身体和皮肤温度联系起来的可能机制，重点关注核心和皮肤温度变化对睡眠调节的因果影响。一些研究提到体温和睡眠之间的联系[gydF4y2Ba112gydF4y2Ba，gydF4y2Ba114gydF4y2Ba]。本文给出了一个基于热数据的睡眠分类实例图。gydF4y2Ba

Guettari等[gydF4y2Ba38gydF4y2Ba提出了一种基于非接触式传感器的新型监测系统的设计和首次评估，以评估睡眠质量。固定在墙上的被动式热电堆传感器产生热信号，以检测床上是否有人，然后评估睡眠质量。符号聚合近似(SAX)方法已经实现[gydF4y2Ba115gydF4y2Ba]，采用高斯窗对热信号进行分割处理。每个片段都是由SAX方法生成的，该方法基于中方差的分割，然后通过识别其睡眠阶段。系统提取3个特征:热数据段的持续时间、每段热数据段的方差、每段的水平。Kohonen自组织地图(SOM) [gydF4y2Ba116gydF4y2Ba]将信号片段分为3个睡眠阶段:深度睡眠或矛盾睡眠(R, N3)、躁动睡眠或浅睡眠(N1, N2)和清醒阶段(W)。它将热信号与基于PSG测量的生理参数的睡眠阶段标签同步，并由医生手动建立催眠图。本研究共纳入13例患者，其中11人学习SOM模型，2人对学习后的SOM模型进行评价。87%(40/46)的评价结果分类良好。gydF4y2Ba

Gu等[gydF4y2Ba41gydF4y2Ba提出了“睡眠猎人”，这是一种移动服务，可以检测睡眠阶段之间的转换，以监测睡眠质量和智能觉醒。智能手机被放在参与者的枕头旁边。Sleep Hunter使用集成在智能手机中的传感器，将身体运动、声音事件、环境照明条件、睡眠持续时间和个人因素整合在一起，使用一个统计模型:线性链条件随机场(CRF) [gydF4y2Ba117gydF4y2Ba来检测睡眠阶段。它认为，与隐马尔可夫模型相比[gydF4y2Ba118gydF4y2Ba]， CRFs与具有长相互依赖性的序列更相关，因此可能在此应用程序中表现更好。根据每个睡眠阶段的持续时间，sleep Hunter还为用户提供睡眠质量报告和智能呼叫服务。在这项工作中[gydF4y2Ba41gydF4y2Ba]，商品gydF4y2BaZeogydF4y2Ba［gydF4y2Ba119gydF4y2Ba]作为参考装置。一项研究[gydF4y2Ba120gydF4y2Ba研究表明，睡眠质量实际上是由不同睡眠阶段的分布决定的，而不是由夜间睡眠时间长短决定的。这项工作区分了清醒、浅睡眠、深度睡眠和快速眼动睡眠阶段，然后根据每个睡眠阶段的持续时间计算睡眠质量评分。本文提出的Sleep Hunter的检测精度[gydF4y2Ba41gydF4y2Ba为64.55%。gydF4y2Ba

Krishna等人[gydF4y2Ba121gydF4y2Ba提出了SleepSensei，这是一种自动睡眠质量监测器，可以估计用户的睡眠时间。它使用(1)连接电源的个人电脑的内置网络摄像头和麦克风，以及收集环境特征的定制软件;(2)智能手机的加速度计传感器来检测身体运动。智能手机放在离用户很近的地方(枕头旁边)。在这个系统中，用户可以处于两种睡眠状态中的一种:gydF4y2Ba深度睡眠gydF4y2Ba或gydF4y2Ba轻度睡眠gydF4y2Ba．用户的睡眠状态(声音或光线)完全取决于用户在睡眠期间身体运动的变化。使用定制软件输入光照强度、环境噪声、温度和湿度等环境特征。gydF4y2Ba

研究发现，温度、环境声音(噪音和音乐)和光照条件是使用者所处环境明显影响睡眠的有力指标[gydF4y2Ba122gydF4y2Ba]。系统提出了一个由线性回归和支持向量机回归组成的回归模型。回归模型估计每个时间段(30分钟窗口)对完成用户睡眠配额(用户需要获得的总睡眠时间)的贡献份额gydF4y2Ba令人满意的gydF4y2Ba睡眠)。这个系统的基本事实来自于用户通过回答这个问题提供的关于睡眠质量的数据:是睡眠吗gydF4y2Ba充实的gydF4y2Ba？它使用支持向量机和朴素贝叶斯模型作为分类器。对比各分类器2次和4次交叉验证的结果，2次交叉验证的SVM模型效果最好，平均准确率为79.84%。gydF4y2Ba

联系方法gydF4y2Ba

人体分布式传感器系统gydF4y2Ba

Velicu等[gydF4y2Ba68gydF4y2Ba提出了一种基于加速度计和心电传感器的睡眠阶段分类系统(清醒、浅睡眠、深度睡眠和快速眼动)。加速度计被嵌入到腕带中，但没有提到心电传感器的位置。它描述了这种分类逻辑:(1)当我们进入更深的睡眠阶段时，身体运动的强度和频率会降低;(2)随着睡眠的加深，心率会变得更稳定。Kushida算法导出的方程[gydF4y2Ba69gydF4y2Ba]作为清醒和睡眠的鉴别器，采用每分钟采集的加速度计数据，滑动时间窗口为9 min，与脑电传感器结果的一致性为69%。本工作展示了一个持续3小时43分钟的实验的部分分类结果。然而，结果尚未根据PSG或任何其他可靠的标准进行验证。gydF4y2Ba

Kalkbrenner等[gydF4y2Ba70gydF4y2Ba提出了开发睡眠监测系统的第一步。它包括捕捉两名志愿者的心跳、呼吸、打鼾、睡姿和动作的功能。在这个系统中，一个麦克风被设置在胸骨上缺口来记录呼吸声和心音。心脏信号是通过应用从15赫兹到80赫兹的带通滤波器提取的。Nakano [gydF4y2Ba71gydF4y2Ba]和Yadollahi [gydF4y2Ba72gydF4y2Ba研究表明，在夜间将听诊器(如麦克风)放置在胸骨上凹槽中，可以检测睡眠呼吸暂停。与此同时，在患者佩戴的腹带中嵌入MPU6000惯性测量单元，确定睡眠姿势和运动。数据通过蓝牙无线传输到笔记本电脑，并使用开发的软件进行处理、可视化和存储。通过与黄金标准的比较来验证建议系统的有效性，已于[gydF4y2Ba73gydF4y2Ba]。共有60名成人受试者接受了夜间诊断，并包括PSG筛查以验证所建议的系统。从呼吸、心跳和运动数据中提取了30个维度的特征。线性判别(LD)分类器用于自动睡眠分期。该分类器在睡眠或清醒分类中准确率为86.9%，kappa为0.69;在清醒或REM或NREM分类中准确率为76.3%，kappa为0.42;在清醒或REM或浅睡眠或深度睡眠分类中准确率为56.5%，kappa为0.36。gydF4y2Ba

Lee等[gydF4y2Ba74gydF4y2Ba提出了智能贴片和可穿戴带(W-band)，用于记录睡眠中的生物信号。该系统由15个贴在用户脸上的智能贴片组成，用于监测多种生物信号(EEG、ECG、EMG和EOG)。共有14个生物信号传感(SN)贴片用于监测生物信号，一个网络控制器(NC)贴片放置在耳后管理整个系统，并用作ECG, EEG和EOG信号的参考电极。所有电极都是在基于平面时尚电路板技术的多层织物贴片上实现的。SN贴片记录的生物信号通过w波段在NC贴片内用20kb SRAM采集。当存储器满时，记录的数据通过电感耦合接口传输到外部设备。显示数据的程序在外部PC上运行，以便用户可以在醒来后检查监控结果。该系统的生物信号记录性能尚未与金标准进行比较。gydF4y2Ba

带有多个传感器的独立系统gydF4y2Ba

Shambroom等人[gydF4y2Ba75gydF4y2Ba]评估了一种用于自动收集和评分人类睡眠的无线系统。该系统使用头带上的干镀银织物传感器来收集来自前额的电生理信号，其中包括脑电图、眼睛和额肌运动的贡献。由此产生的信号使用2.4 GHz超低功耗无线协议传输到基站。将该系统与2名技术人员根据R&K标准评分的PSG数据进行比较。采用了一套简化的睡眠阶段分类，包括清醒、快速眼动、浅睡眠(合并N1和N2阶段)和深度睡眠(合并N3和N4阶段)[gydF4y2Ba17gydF4y2Ba]。共有26名健康成人使用该系统和PSG同时进行睡眠测量。对于PSG1(由技术人员1评分的PSG记录)和PSG2(由技术人员2评分的PSG记录)，一致性分别为62%和56%。与PSG1(由技术人员1评分的PSG记录)相比，26名受试者的平均(SD)整个夜间睡眠阶段一致性为75.9%(7.0%)，该系统与PSG2(由技术人员2评分的PSG记录)相比为74.7%(8.5%)，该系统与PSGC(由2名技术人员一致评分的PSG记录)相比为81.2%(7.4%)。gydF4y2Ba

Suzuki等[gydF4y2Ba76gydF4y2Ba]描述了一种用于家庭使用的手表形状的可穿戴睡眠监测系统。该传感器包含一个光电脉冲波传感器和一个3轴加速度计，用于测量用户手腕上的脉冲波和加速度，并将计算得到的脉冲间隔(ppi)和活动量存储在闪存(4mb)中。它使用科尔算法从活动数据量中识别清醒或睡眠[gydF4y2Ba77gydF4y2Ba]。系统将估计结果与PSG结果进行了比较。采用快速傅里叶变换(FFT)获得心率谱。在频域中，功率在0.04 Hz到0.15 Hz之间的积分值称为LF (low frequency)，它同时显示了交感神经和副交感神经的活动。从0.15 Hz到0.4 Hz的积分值称为HF(高频)，显示副交感神经活动。交感神经和副交感神经活动之间的平衡与睡眠阶段有关。根据Baharav等人[gydF4y2Ba78gydF4y2Ba在非快速眼动慢波睡眠(即深度睡眠)期间，LF的值最小，而在快速眼动(REM)期间，其水平与清醒时相似。gydF4y2Ba

HF随着睡眠的开始而增加，在慢波睡眠时达到最大值，表现为LF的镜像，如图gydF4y2Ba图6gydF4y2Ba．PPI的HF、LF与睡眠阶段的相关性总结于gydF4y2Ba表5gydF4y2Ba．gydF4y2Ba

在非快速眼动睡眠期间，以清醒为特征的交感优势减少，在慢波睡眠期间最低，在快速眼动睡眠期间接近清醒的平均水平。在慢波睡眠期间，自主神经平衡转变为副交感神经优势。为了从LF和HF数据集中对睡眠阶段进行分类，采用k-means聚类方法。它将符合比定义为该方法估计的阶段与PSG估计的阶段之间的移动平均睡眠阶段相关系数(20分钟窗口)。SWS、REM、非REM和尾流阶段的平均符合率为0.735 (SD 0.052)。gydF4y2Ba

Beattie等人[gydF4y2Ba108gydF4y2Ba使用腕带设备估算睡眠阶段，该设备使用3D加速计和光脉冲脉搏波描记仪测量运动，提供运动、呼吸和心率变异性的数据。60名成年参与者在左右手腕上佩戴这些设备，同时使用III型家庭睡眠测试设备(Embletta MPR)获得夜间记录，该设备包括用于睡眠分期的脑电图通道。参考的Embletta记录按照AASM指南对睡眠阶段进行评分[gydF4y2Ba79gydF4y2Ba该方法将睡眠阶段分为清醒、轻度(N1或N2)、深度(N3)和快速眼动(REM)，时间超过30秒。基于运动的特征包括超过30秒的活动数量，旋转幅度(使用3D加速度计结合最大gydF4y2Ba−gydF4y2Ba每个轴的最小值)，从最后一个重要运动到下一个重要运动的时间。提取高频功率(0.15 ~ 0.4 Hz)、低频功率(0.04 ~ 0.15 Hz)、甚低频功率(0.01 ~ 0.04 Hz)、连续差值的均方根、pNN50(差值大于50毫秒的连续RR间隔(ECG R波之间的间隔，即心跳间隔时间)对数除以RR间隔总次数的比例)、δ RR(心跳间隔)、平均心率等心率特征。gydF4y2Ba

在1 s的基础上，形成了高频功率(0.15 ~ 0.4 Hz)、低频功率(0.04 ~ 0.15 Hz)和低频功率(0.015 ~ 0.04 Hz)的频谱特征。该系统使用Scikit库来探索不同类型的分类器:LD分类器、二次判别分类器、rf和SVM方法。LD模式似乎比其他模式稍微好一点，所以它被选为最终模型。在单次验证的基础上，自动算法每历元的总体准确率为69%，Cohen kappa为0.52 (SD 0.14)。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

只有一个传感器连接到身体的一个部位gydF4y2Ba

Tataraidze等[gydF4y2Ba80gydF4y2Ba[j]提出了一种基于从PSG胸带捕获的呼吸感应脉搏波信号中提取的33个特征来检测清醒、快速眼动和非快速眼动睡眠的算法。提取的特征包括功率在不同频率范围内的对数、时间和频域特征、运动、呼吸和基于体积的特征。实验中采用了袋装分类器，并采用启发式算法提高分类性能。与PSG金标准相比，该分类器的准确率为80.38 (SD 8.32%)， Cohen kappa为0.65 (SD 0.13)。gydF4y2Ba

商业产品gydF4y2Ba

鉴于PSG具有侵入性、成本高、监测一晚等诸多缺点，业界对开发便携、无创、适合长期监测的商用睡眠监测产品表现出极大的热情。用于家庭睡眠监测的商业产品目前可在市场上直接购买。下面简要介绍一些最受欢迎和最具代表性的产品。gydF4y2Ba

Zeo [gydF4y2Ba119gydF4y2Ba是一种基于真正轻量级脑电波的头带gydF4y2Ba圆荚体gydF4y2Ba班长。它可以提供一个睡眠阶段的分类gydF4y2Ba醒着的gydF4y2Ba，gydF4y2Ba光gydF4y2Ba(第一阶段和第二阶段相结合)，gydF4y2Ba深的gydF4y2Ba(阶段3和阶段4合起来)，以及快速眼动睡眠。的gydF4y2BaZeo的伴侣gydF4y2Ba智能手机应用程序开发用于数据收集。一项验证研究已发表[gydF4y2Ba75gydF4y2Ba]。与PSG相比，其时代一致性gydF4y2Ba光gydF4y2Ba，gydF4y2Ba深的gydF4y2Ba，快速眼动睡眠大于74%。gydF4y2Ba

上(颚骨)[gydF4y2Ba81gydF4y2Ba是一个柔软的橡胶腕带。在睡眠监测方面，它提供了总睡眠时间、入睡时间和夜间醒来次数。它还可以与智能手机应用程序交互。到目前为止，还没有验证性的研究。gydF4y2Ba

Fitbit (gydF4y2Ba82gydF4y2Ba也是一款腕带产品。它的睡眠监测算法将夜间睡眠分为gydF4y2Ba醒着的gydF4y2Ba，gydF4y2Ba轻度睡眠gydF4y2Ba，gydF4y2Ba深度睡眠,gydF4y2Ba和gydF4y2Ba快速眼动gydF4y2Ba基于手腕运动和心率数据。它还提供总睡眠持续时间、睡眠开始时间和结束时间。出版物[gydF4y2Ba83gydF4y2Ba]根据PSG来评估Fitbit的性能。灵敏度为0.96(睡眠检测精度)，特异性为0.61(清醒检测精度)，N1+N2睡眠检测精度为0.81 (gydF4y2Ba轻度睡眠gydF4y2Ba)， N3睡眠的检测准确率为0.49 (gydF4y2Ba深度睡眠gydF4y2Ba)，检测快速眼动睡眠的准确率为0.74。gydF4y2Ba

莱斯顿(gydF4y2Ba84gydF4y2Ba是一条细皮带。只需一键磁盖即可将设备固定在床单上;这个位置与使用者的胸部相对应。RestOn可以实时测量心率和呼吸频率。2英尺长的医疗级传感器被嵌入不到2毫米长的细皮带中。该设备可以提供睡眠时间，实际睡眠时间和睡眠阶段，包括gydF4y2Ba醒着的gydF4y2Ba，gydF4y2Ba光gydF4y2Ba，gydF4y2Ba介质,gydF4y2Ba和gydF4y2Ba深的gydF4y2Ba睡眠。它的智能闹钟可以在用户最浅的睡眠时间唤醒用户。gydF4y2Ba

睡眠点[gydF4y2Ba85gydF4y2Ba只需把它固定在枕头的上角，它就能测量睡眠周期和身体运动。它可以播放音乐帮助用户入睡。舒缓的声音和音乐被用作闹钟铃声，让用户在最浅的睡眠中更自然地醒来。这款产品与智能手机应用程序配合使用，可以生成睡眠报告，并与家人和朋友分享。gydF4y2Ba

Withings Aura [gydF4y2Ba86gydF4y2Ba是一种床边设备，在床垫下放置一个白布睡眠传感器，与用户的胸部对齐。建议11英寸高的床头设备放置在离床至少1m的地方。床头设备可测量环境参数，如温度、光线、噪声等。白布睡眠传感器显示睡眠时间，夜间醒来次数，浅睡眠或深度睡眠或快速眼动睡眠的持续时间，以及睡眠目标达到的百分比。gydF4y2Ba

我们关于睡眠监测系统的建议gydF4y2Ba

法国国家科学研究中心系统分析与结构实验室(LAAS-CNRS)自1990年以来一直在开发人体监测系统。[gydF4y2Ba87gydF4y2Ba，gydF4y2Ba88gydF4y2Ba]。这主要包括基于无线局部身体区域网络(WLBAN)的老年人和体弱人士在家的健康监测研究[gydF4y2Ba89gydF4y2Ba-gydF4y2Ba91gydF4y2Ba]。本实验室在多年研究无线宽带网络监测系统的技术和经验的基础上，开展了睡眠监测的研究。目的是在家中进行连续和长期的睡眠监测，重点关注每晚睡眠状况的变化，并监测每晚后的指标偏差。第一周的睡眠被视为参考夜，并用于对接下来的夜晚进行比较。当检测到异常情况时，通过计算机、平板电脑或智能手机上的特定视觉界面(图形或其他)向用户发出警告。gydF4y2Ba

许多指标可能与监测睡眠状况有关，例如:gydF4y2Ba

1. 夜间睡眠阶段的分布。gydF4y2Ba
2. 手腕活动次数。gydF4y2Ba
3. 睡眠时腿部活动量(这也是不宁腿综合征的主要指标)。gydF4y2Ba
4. 身体周转时间。gydF4y2Ba
5. 开始打鼾。如果有，呼吸暂停的持续时间和次数。gydF4y2Ba

这里的贡献是提出以下指标:gydF4y2Ba

• 呼吸暂停行为的改变。gydF4y2Ba
• 睡眠相位偏差。gydF4y2Ba
• 腿的运动。gydF4y2Ba
• 心率和血氧饱和度。gydF4y2Ba
• 手指，大脚趾和胸部温度。gydF4y2Ba
• 环境的温度和亮度。gydF4y2Ba

这些指标的阈值可能会向医生发出警报。也有可能将这些指数联系起来，以提供睡眠质量的总体指数。gydF4y2Ba

LAAS-CNRS目前关于睡眠监测的研究显示在gydF4y2Ba图7gydF4y2Ba．所开发的系统由嵌入人体的传感器组成的本地网络组成，这些传感器通过蓝牙与数据集中器(Master)通信。主人通过一个安卓应用程序与人交流。主人通过LoRa技术将数据传输到网关，网关负责将数据发送到医生可以远程查询的数据库。gydF4y2Ba

利用该系统，我们利用聚类算法收集基于手腕运动数据的催眠图，利用腿部运动数据监测不宁腿综合征，利用声音数据检测打鼾等症状。gydF4y2Ba

我们提出了基于阈值和基于k均值聚类的方法来处理来自非优势手腕的加速度数据。基于阈值的方法使用3个阈值来实现入睡或醒来检测和4个睡眠阶段分类(gydF4y2Ba醒着的gydF4y2Ba，gydF4y2Ba轻度睡眠gydF4y2Ba，gydF4y2Ba深度睡眠gydF4y2Ba,gydF4y2Ba快速眼动gydF4y2Ba）.基于k-means聚类的方法对入睡和醒来之间的时段进行5次k-means聚类迭代，也实现了4个睡眠阶段的分类(gydF4y2Ba醒着的gydF4y2Ba，gydF4y2Ba轻度睡眠gydF4y2Ba，gydF4y2Ba深度睡眠gydF4y2Ba和gydF4y2Ba快速眼动gydF4y2Ba）.入睡和醒来之间的时间间隔由基于阈值方法的入睡或醒来检测确定。此外，在我们的系统中还提出了一种计算睡眠分数的方法。睡眠评分的计算是基于睡眠持续时间和每个睡眠阶段的持续时间。通过对5名志愿者的测试，我们提出的所有方法都取得了令人满意的结果。相关文章将于近期提交。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

结论gydF4y2Ba

本文的目的是概述睡眠监测系统的研究现状和未来的发展前景。观察和睡眠监测是一个非常重要的医学问题，因为它可能对生活行为产生影响。使用的金标准是PSG技术，这是一种只能在临床环境中使用的侵入性方法。此外，几项研究的重点是制定更轻和纵向监测的方法和战略。已经提出了睡眠监测系统，但他们提出了关于用户对佩戴这些设备的接受程度、社会经济方面、隐私和对社会的影响的问题，以及关于所提出的算法处理性能的问题。本文讨论这些问题以及文献中报道的和市场上可用的不同解决方案。睡眠监测系统具有广泛和异构的设备、无线传感器网络标准、应用程序，涉及众多研究人员、开发人员和用户的努力。由于其跨学科的性质，一些与睡眠监测相关的应用程序集成了生物医学工程和医学信息学。在可穿戴医疗保健系统的开发和部署中，必须考虑并整合医学、社会科学、心理学、经济学、伦理学和法律领域的其他知识。大多数系统仍处于原型阶段，开发人员尚未面临部署问题。信息技术和电子是成熟的领域，可以提供可行的、一次性的和负担得起的可穿戴系统。 Systematic evaluations of the effectiveness and efficiency of sleep monitoring system are considered crucial to ensure potential user acceptance. Sleep monitoring is important for individuals and clinicians. Beyond the interest in healthy lifestyle and clinical diagnosis, sleep monitoring may also be important in reducing fatigue-related workplace injuries, particularly for shift workers. However, this type of monitoring will only be practical if systems with proven reliability and validity are in place. Consumers and patients will have the opportunity to take part in the revolution in personal health data. Increasingly powerful and convenient wearable technologies will be able to provide rich health information, but it is not clear that this will translate into workable health decisions. The democratization of devices previously医生专用gydF4y2Ba应改善获得健康数据的机会和对个人健康的全面认识。消费者正确地传达和理解这些信息是很重要的。未来几年可能会开发出更复杂的集成传感器技术、检测和分析算法。其他面向消费者的可穿戴诊断工具，甚至是植入式设备和纳米技术，目前正在开发中。现有的产品可以将传感器集成到服装中。理想情况下，这些技术将赋予消费者和患者权力，并促进预防医学。最重要的挑战是开发非侵入式硬件实现、智能信号处理、数据分析和解释、通信标准互操作性、电子元件效率、能源自给自足和长期监测。gydF4y2Ba