可穿戴传感器与人工智能在睡眠呼吸暂停检测中的应用：技术革新与临床价值

这篇系统综述深入探讨了可穿戴设备（Wearable Devices）与人工智能（AI）技术在睡眠呼吸暂停（Sleep Apnea）诊断中的最新进展。文章通过分析28项研究（2020-2024年），揭示了卷积神经网络（CNN）、长短期记忆网络（LSTM）与迁移学习（Transfer Learning）在提升检测精度中的关键作用，同时对比了胸带（Chest Band）、贴片（Adhesive Patch）、腕环（Bracelet）等设备的优劣，为开发便携式诊断工具提供了循证依据。

　　

摘要

睡眠呼吸暂停（Sleep Apnea）是一种全球高发的睡眠障碍，其诊断长期依赖多导睡眠监测（Polysomnography, PSG），但存在成本高、操作复杂等问题。近年来，可穿戴传感器与人工智能技术的结合为这一领域带来突破。本文系统综述了2020-2024年间28项相关研究，重点探讨了设备类型、数据预处理方法和模型架构的创新，揭示了从实验室到家庭场景的转化潜力。

引言

睡眠呼吸暂停分为阻塞型（OSA）和中枢型（CSA），可引发高血压、认知障碍等并发症。传统PSG虽为金标准，但便携式呼吸多导（RP）和简化呼吸多导（PRS）逐渐成为替代方案。然而，早期诊断仍面临挑战，亟需结合可穿戴技术与AI算法实现实时监测。

材料与方法

通过PRISMA指南筛选了WoS、Scopus等数据库的265篇文献，最终纳入28项研究。研究问题聚焦于：1）可穿戴设备类型；2）数据类型；3）预处理技术；4）AI模型性能。

结果与讨论

可穿戴设备

• 腕环：如Fitbit Charge 4通过光电容积描记术（PPG）监测心率变异（HRV），但受运动伪影影响。
• 胸带：集成ECG和加速度计，适用于航空场景（如飞机座椅监测），但舒适性较差。
• 贴片：如Sleepify贴片可同步记录ECG和SpO₂，居家适用性最佳。
• 戒指：Belun Ring通过PPG实现高分辨率监测，但睡眠分期准确性有限。

数据类型

PPG（92%研究）、ECG（71%）、呼吸节奏（64%）和SpO₂（57%）是主流数据源。EEG/EOG/EMG联合分析（如Kwon等开发的额贴片）可提升睡眠分期精度至88.52%。

预处理技术

• 滤波：Butterworth带通滤波消除ECG基线漂移。
• 分段：60秒滑动窗口用于PPG特征提取。
• 峰值检测：Pan-Tompkins算法识别R波。

AI模型

• CNN：在贴片设备中表现最优（如1D-CNN对呼吸事件分类F1-score达93%）。
• LSTM：分析ECG时序数据，AUC达0.864（Shen等）。
• 迁移学习：ResNet18模型在AHI预测中Pearson相关系数达0.87。

结论

贴片式设备结合CNN-LSTM混合模型是当前最优解，其灵敏度（89.2%）和特异性（92.8%）接近临床需求。未来方向包括优化跨设备数据融合（如PPG+ECG）和开发轻量化边缘计算模型。

（注：全文数据与结论均引自原文，未新增观点）