Алгоритм и устройство для бесконтактной регистрации нарушений дыхания во сне на дому

Сон является одним из важных физиологических процессов, так как его качество оказывает влияние на работу отдельных функциональных систем организма и на состояние организма в целом. Снижение качества сна может быть вызвано различными причинами: инсомнией, нарушениями дыхания во сне (НДС), периодическими движениями конечностей и др.

Нарушения дыхания во сне характеризуются изменениями нормального дыхательного паттерна, или уровня вентиляции во время сна [1]. В настоящее время в медицине сна наибольшее внимание уделяется синдрому обструктивного апноэ сна (СОАС) в связи с его распространенностью в популяции (10 % населения Земли имеют данное нарушение) [2, 3], а также значимым влиянием на клиническое состояние и прогноз пациента. При этом более 80 % пациентов с умеренной и тяжелой степенью СОАС (количество остановок дыхания в час > 15/час сна) остаются недиагностированными [4, 5]. Как было показано в [6], глобальная распространенность данного заболевания составляет 1 млрд человек, а общие оценки его распространенности среди населения некоторых стран превышают 50 %, в том числе 51 % в РФ среди лиц 30–69 лет [7].

Американская академия медицины сна (American Academy of Sleep Medicine (AASM) определяет СОАС как состояние, характеризующееся наличием храпа, периодическим спаданием верхних дыхательных путей на уровне глотки и прекращением легочной вентиляции при сохраняющихся дыхательных усилиях, снижением уровня насыщения крови кислородом, грубой фрагментацией сна и избыточной дневной сонливостью [8]. Нарушения легочной вентиляции вызывают гипоксию, которая, в свою очередь, считается основным патогенетическим механизмом неблагоприятных осложнений, связанных с СОАС, включая сердечно-сосудистые осложнения (гипертония, ишемическая болезнь

88 Специальный выпуск сердца, застойная сердечная недостаточность), инсульты, метаболический синдром и сахарный диабет 2-го типа [9, 10]. СОАС независимо от возраста, пола и индекса массы тела (ИМТ) также ассоциируется со снижением качества жизни [11], дорожнотранспортными происшествиями [12], депрессией и нарушениями когнитивных функций человека [13].

Окончательный диагноз СОАС ставится после проведения инструментальной оценки сна – стационарной полисомнографии (ПСГ). Метод ПСГ, являясь «золотым стандартом» сомнологии, основан на всесторонней регистрации различных физиологических параметров человека во время сна и требует использования большого количества контактных электродов и сенсоров, которые ограничивают движения пациента во время сна и вызывают дискомфорт, что может повлиять на результаты мониторинга сна. Поэтому, несмотря на диагностическую ценность ПСГ, данный метод в некоторых задачах, требующих длительного ежедневного мониторинга НДС на дому у пациента, неприменим.

Хотя разработке портативных систем диагностики и мониторинга сна для упрощения процесса постановки диагноза СОАС на дому в настоящий момент в научной литературе уделяется большое внимание, вопрос проведения ежедневного мониторинга динамики развития заболевания остается мало изученным. Систем, способных при минимальном контакте с телом пациента проводить длительную запись физиологических параметров, необходимых для регистрации нарушений дыхания во сне, крайне мало, как и устройств, не требующих абсолютно никакого контакта с телом человека. Поэтому задача разработки портативной системы, способной бесконтактно и дистанционно регистрировать параметры жизнедеятельности для слежения за динамикой нарушений сна и пригодной для самостоятельной эксплуатации пользователем на дому, стоит остро.

Пандемия COVID-19 и связанные с ней ограничения в оказании медицинской помощи, необходимость соблюдения режима изоляции значительно обострили данный вопрос, так как амбулаторные больные, в том числе пациенты с различными нарушениями сна, лишились возможности пройти обследование в специализированных лабораториях.

Одним из методов диагностики сна, способных решить данную проблему, является метод биорадиолокации (БРЛ), основанный на дистанционной регистрации модуляции отраженного от человека сигнала биорадара, вызванной движениями человеческого тела и внутренних органов [14]. Хотя в литературе описаны алгоритмы обнаружения НДС при помощи биорадаров [15, 16], они характеризуются высокой точностью для пациентов со средним и тяжелым СОАС, но не для здоровых добровольцев и пациентов с легким СОАС. Кроме того, большинство из описанных в литературе решений являются громоздкими и дорогими, что ставит возможность их реального практического применения под сомнение.

В данной работе мы предлагаем биорадиолокационное устройство и алгоритм обработки данных, который может помочь решить эту проблему.

Методы и аппаратура

В данной работе в качестве биорадиолокатора был использован прибор, разработанный в лаборатории дистанционного зондирования МГТУ имени Н. Э. Баумана. Его схема и фотография приведены на рисунках 1 и 2 соответственно. Технические характеристики биорадиолокатора приведены в таблице 1.

Анищенко Л.Н. и др. Алгоритм и устройство для бесконтактной регистрации нарушений...

I

Q

Усилительный тракт

Приемно-передающий модуль

Рис 1. Схема биорадиолокатора

Рис. 2. Фотографии прототипа биорадиолокатора

Таблица 1

Технические характеристики биорадиолокатора

Параметр	Значение
Зондирующая частота	24,0 ГГц
Диапазон принимаемого сигнала	0,1…10 Гц
Поверхностная плотность энергии	<3 мкВт/см2
Диаграмма направленности антенны	80/34°
Габаритные размеры	95×75×45 мм

Архитектура биорадара основана на концепции недорогого портативного биорадара, предложенной в нашей предыдущей работе [17]. Биорадар был разработан с использованием однокристального высокочувствительного квадратурного приемопередатчика K-LC5 (RF beam), приемник которого имеет два отдельных выходных канала – I (синфазный) и Q (квадратурный).

Так как приемопередатчик не имеет встроенного усилителя, то чтобы сделать его подходящим для задачи наблюдения за сном человека, была разработана плата расширения с использованием адаптированной к данной задаче схемы усилителя. При этом полоса пропускания входного сигнала ограничена диапазоном 0,1…10 Гц, а получаемый коэффициент усиления позволяет регистрировать паттерны дыхания и движения на расстоянии от 0,5 до 3,0 м между биорадаром и спящим человеком.

Для дальнейшей обработки аналоговые сигналы с выхода усилителя подаются через 16-разрядный аналого-цифровой преобразователь ADS1115 с частотой дискретизации 50 Гц на микроконтроллер, соединенный через USB-порт с компьютером.

Согласно данным, приведенным в таблице 1, максимальная плотность мощности, излучаемая радаром, составляет менее 3 мкВт/см2. Такое значение соответствует россий- скому стандарту безопасности для микроволнового излучения (не более 25 мкВт/см2 в диапазоне частот 3…300 ГГц).

Эксперименты по выявлению нарушений дыхания во сне с применением биорадиолокатора проводились на базе сомнологической лаборатории ФГБУ «НМИЦ им. В.А. Алмазова» Минздрава России с октября 2018 по октябрь 2019 г. Перед проведением экспериментов было получено согласие комитета по этике ФГБУ «НМИЦ им. В. А. Алмазова» Минздрава России.

Биорадар был установлен слева на расстоянии 1 м от кушетки, на которой располагался испытуемый при проведении эксперимента, на высоте 1,2 м. Антенны радара были направлены на грудную клетку испытуемого. Фотография проведения эксперимента приведена на рисунке 3.

Рис. 3. Фотография эксперимента

В ходе экспериментов проводилась одновременная регистрация сигналов биорадара и ПСГ с помощью системы Embla N 7000 (Natus Neurology Inc., USA).

Запись сигналов ПСГ и БРЛ запускалась сомнологом вечером, а утром останавливалась. Каждое НДС было классифицировано сомнологом по данным ПСГ в соответствии с рекомендациями AASM 2.4 [18]. Апноэ оценивалось как остановка дыхания с полным прекращением потока воздуха в дыхательных путях продолжительностью не менее 10 с, гипопноэ – как уменьшение потока дыхания на 50 % и более, сопровождающееся снижением насыщения крови кислородом на 4 % и более или пробуждением, или как уменьшение потока дыхания на 70 % и более, сопровождающееся снижением насыщения крови кислородом на 3 % и более или пробуждением.

Классифицируемые типы НДС представлены в таблице 2.

Разметка записи сомнологом использовалась для последующей разработки и тестирования алгоритма классификации эпизодов СОАС по БРЛ-данным.

По результатам классификации для каждого испытуемого оценивалась степень тяжести СОАС с использованием индекса апноэ-гипопноэ (ИАГ), который рассчитывается как количество эпизодов НДС в час.

Всего в экспериментах приняло участие 14 добровольцев, как здоровых, так и имеющих нарушения дыхания во сне. Каждый из добровольцев перед проведением эксперимента подписывал информированное согласие. Характеристики выборки БРЛ приведены в таблице 3.

Анищенко Л.Н. и др. Алгоритм и устройство для бесконтактной регистрации нарушений...

Основные метки записей ПСГ

Таблица 2

Метка	Описание
Apnea	Эпизод апноэ неопределенного типа
Apnea Central	Эпизод центрального апноэ
Apnea Mixed	Эпизод смешанного апноэ
Apnea Obstructive	Эпизод обструктивного апноэ
Hypopnea	Эпизод гипопноэ
Hypopnea Central	Эпизод центрального гипопноэ
Hypopnea Mixed	Эпизод смешанного гипопноэ
Hypopnea Obstructive	Эпизод обструктивного гипопноэ

Таблица 3

Экспериментальная выборка

Параметр	Значение
Количество испытуемых	14
Возраст, лет	20–81 (45,2 ± 18,4)*
Пол (м/ж)	7/7
Индекс массы тела, кг/м2	17,3 – 40,4 (26,1 ± 7,3)*
Длительность записи, мин	309,5–588,5 (410,9 ± 71,4)*
ИАГ, события / события в час	1–580 (117,4 ± 185,9)/ 0,1–93,5 (17,8 ± 28,4)*

Минимальное – максимальное значение (среднее значение ± СКО)

Алгоритм обработки данных

Разработанный алгоритм состоял из предобработки данных, формирования пространства признаков и обучения классификатора (рис. 4).

Рис. 4. Схема алгоритма обработки сигнала БРЛ

Предобработка сигнала подразумевала синхронизацию сигналов ПСГ и БРЛ, исключение из рассмотрения фрагментов сигнала БРЛ, содержащих артефакты движения, фильтрацию сигнала БРЛ с целью выделения паттерна дыхания, оценку частоты дыхания для межартефактных периодов.

Синхронизация сигналов ПСГ и БРЛ необходима для того, чтобы иметь возможность использовать для верификации данных результатов БРЛ разметки сигналов ПСГ сомно-логом. Сигнал биорадара был синхронизирован с сигналом абдоминального поясного датчика ПСГ системы по времени с помощью синхронизации часов компьютеров, на которых проводилась регистрация данных обеих систем.

Обнаружение и удаление артефактов движения были выполнены с использованием ранее разработанного алгоритма, описанного в [19]. После исключения из рассмотрения фрагментов сигнала БРЛ, содержащих артефакты движения, для последующей обработки и расчета признаков в каждом межартефактном периоде выбиралась квадратура с максимальной энергией. Затем она была отфильтрована с помощью фильтра Баттерворта второго порядка с полосой пропускания [f – 0,1; f + 0,1] Гц, где f – основная частота дыхания испытуемого, определяемая по спектру сигнала. Использование данного фильтра позволяется подавить низкочастотный тренд и высокочастотные составляющие, не имеющие отношения к паттерну дыхания испытуемого. Для отфильтрованного сигнала дыхания были найдены пики, соответствующие моментам начала вдоха или выдоха. Для поиска пиков был использован стандартный алгоритм, реализованный в пакете scipy.signal.find_ peaks, в качестве ограничений выбрано минимальное расстояние между пиками, равное 1,6 с. Данная величина выбрана исходя из того, что максимально возможная частота дыхания человека в спокойном состоянии не должна превышать 0,6 Гц. Пример синхронизированных фрагментов сигналов БРЛ и ПСГ с выделенными пиками дыхания приведен на рисунке 5.

Рис. 5. Синхронизированные фрагменты БРЛ и ПСГ сигналов с выделенными пиками дыхания (красные точки – максимумы сигнала БРЛ, зеленые точки – максимумы сигнала абдоминального датчика ПСГ системы)

Анищенко Л.Н. и др. Алгоритм и устройство для бесконтактной регистрации нарушений...

При формировании вектора признаков параметры рассчитывались в скользящем окне шириной 5 с без перекрытия. Оценивались следующие параметры: энергия, амплитуда, основная частота, максимум, минимум, стандартное отклонение, медиана, асимметрия, эксцесс, среднее значение. Каждый параметр оценивался в трех диапазонах частот: 0,05…0,5 Гц, 0,5…2 Гц, более 2 Гц. Кроме того, для выделенных из паттерна дыхания длительностей дыхательного цикла, продолжительности вдоха и выдоха рассчитывалась максимум, минимум, стандартное отклонение, медиана, асимметрия, эксцесс, среднее значение. Вектор признаков для каждого скользящего окна был отмечен в соответствии с классификацией, сделанной сомнологом для сигналов ПСГ, как «апноэ или гипопноэ» и «не апноэ или гипопноэ» для эпизодов, содержащих или нет любое из событий, приведенных в таблице 2.

Перед обучением классификатора при помощи корреляционного анализа были отобраны независимые признаки. Так, если для двух признаков коэффициент корреляции был больше либо равен 0,6, то в итоговый вектор признаков включался только один из них. Затем был проведен отбор признаков по их значимости при помощи инструмента Feature Selector, реализованного в Python, и исключены из рассмотрения признаки с нулевой значимостью. Отобранные таким образом признаки использовались при обучении классификатора.

Результаты

Размеченные данные для выборки, приведенной в таблице 3, были разделены на обучающую выборку (10 испытуемых, 70 %) и тестовую выборку (4 испытуемых, 30 %), как это показано в таблице 4. Так как количество эпизодов с нарушением дыхания на порядок меньше по сравнению с количеством эпизодов без нарушения дыхания, то выборка является несбалансированной. В связи с этим перед тем как обучать классификатор, выборка была сбалансирована путем случайного выбора примеров из мажоритарного класса «не апноэ или гипопноэ».

Таблица 4

Количество 5-секундных интервалов, содержащихся в выборках, для классификации на два класса: «не апноэ или гипопноэ» и «апноэ или гипопноэ»

Выборка	Апноэ или гипопноэ	Не апноэ или гипопноэ
Обучающая	8808	121 668
Тестовая	3775	52 143
Общее количество интервалов	12 583	173 811

В ходе работы были протестированы 10 наиболее часто используемых алгоритмов классификации, реализованных в Python. Наилучший результат продемонстрировала модель на базе алгоритма Cat Boost Classifier.

В таблице 5 представлены основные метрики эффективности обученного классификатора для случаев обучения на исходном векторе признаков и после отбора признаков по значимости.

Таблица 5

Результаты классификации методом Cat Boost Classifier

Характеристика	С исходными признаками	После отбора признаков по значимости
Чувствительность, %	69,86	70,48
Прецизионность, %	66,51	66,27
Специфичность, %	64,69	64,02
Точность, %	67,28	67,25
F1-мера, %	68,06	68,25

Как следует из приведенных результатов, точность классификатора после отбора признаков по значимости возрастает по сравнению с исходным вектором признаков.

Также классификатор был дополнен следующими эвристиками:

• •    если между соседними выявленными эпизодами нарушений дыхания менее 20 с, то период между ними также считался нарушением дыхания;

• •    первые и последние 10 мин записи предполагались свободными от эпизодов нарушения дыхания.

Также для каждого испытуемого из тестовой группы оценивался ИАГ по результатам классификации. Затем на основании ИАГ делался вывод о тяжести СОАС по данным БРЛ и сопоставлялся результат с диагнозом сомнолога по данным ПСГ (табл. 6).

Таблица 6

Сравнение результатов классификации с результатами, предоставленными врачом-сомнологом

Испытуемый	1	2	3	4
Результаты врача-сомнолога
ИАГ, события в час	13,8	10,5, 48 на спине	74,8	9,2
Степень тяжести СОАС	Легкая	Тяжелая, СОАС позиционно-зависимый	Тяжелая	Легкая
Результаты классификации по данным БРЛ
ИАГ, события в час	16,0	64,5	93,2	12,7
Степень тяжести СОАС	Средняя	Тяжелая	Тяжелая	Легкая

Как видно, предложенный алгоритм завышает значение ИАГ, при этом степень тяжести СОАС определяется верно для 3 из 4 испытуемых, данные которых входили в тестовую выборку. Для испытуемого 1 степень тяжести СОАС из-за завышения ИАГ ошибочно определена как «средняя», а не «легкая», что объявляется пограничной величиной ИАГ 13,8 событий в час, определенной по ПСГ, при пороге перехода от легкой к тяжелой степени тяжести, равном 15 событиям в час.

Анищенко Л.Н. и др. Алгоритм и устройство для бесконтактной регистрации нарушений...

Заключение

В работе предложено устройство и алгоритм для дистанционного длительного бесконтактного мониторинга сна на основе метода биорадиолокации. Данный прибор был протестирован на базе сомнологической лаборатории ФГБУ «НМИЦ имени В.А. Алмазова» Минздрава России с участием 14 добровольцев, как практически здоровых, так и имеющих различные нарушения дыхания во сне. В качестве биорадиолокатора был использован недорогой портативный биорадар для дистанционной регистрации паттернов дыхания и двигательной активности человека.

Точность и F1-мера для предложенного алгоритма классификации нарушений дыхания во сне на тестовой выборке составили 67,25 и 68,25 % соответственно. Несмотря на то, что предложенный алгоритм завышает значение индекса апноэ-гипопноэ, степень тяжести СОАС определяется при помощи него верно для всех случаев, кроме пограничных. Завышение ИАГ может быть связано с тем, что критериями оценки НДС по ПСГ являются не только изменения амплитуды потока носового дыхания или торакоабдоминальных движений, но и снижение насыщения гемоглобина крови кислородом по пульсоксиметру и наличие микропробуждений, определяемых по электроэнцефалограмме, которые невозможно оценить по БРЛ.

К ограничениям настоящей работы следует отнести сравнительно небольшой объем экспериментальной выборки и тот факт, что все записи получены в одной и той же сомно-логической лаборатории, т. е. окружающая обстановка от эксперимента к эксперименту оставалась практически неизменной, что не позволяет судить об устойчивости результатов при изменении взаимного положения прибора и испытуемого. В будущем предполагается расширить набор экспериментальных данных с целью устранения данных ограничений.

Результаты могут быть использованы при создании новых персональных дистанционных методов для выявления нарушений сна пользователем на дому.

Публикуется с разрешения «Журнала радиоэлектроники»