基于光电容积脉搏波形态变异性分析在阻塞性睡眠呼吸暂停合并抑郁症患者中的筛查价值研究

研究人员针对阻塞性睡眠呼吸暂停（OSA）与抑郁症（MDD）共病诊断困难的问题，通过分析睡眠期间光电容积脉搏波（PPG）的节律形态特征，开发了一种基于近似熵（ApEn）和Hjorth参数的机器学习模型。该研究首次实现OSA患者中MDD的自动化筛查，准确率达76%，AUC达0.88，为家庭化精神健康监测提供了新思路。

　　

睡眠障碍与精神疾病的共病问题日益受到关注，其中阻塞性睡眠呼吸暂停（OSA）患者合并重度抑郁症（MDD）的比例高达20%，但两者症状重叠导致临床识别困难。传统多导睡眠监测（PSG）虽为金标准，却存在设备昂贵、操作复杂等局限。更棘手的是，OSA引发的夜间缺氧可能通过自主神经系统（ANS）失调加重抑郁症状，形成恶性循环。如何通过简易手段实现早期筛查，成为打破这一困局的关键。

美国RMIT大学的研究团队另辟蹊径，将目光投向可穿戴设备常用的光电容积脉搏波（PPG）技术。这种通过皮肤光学信号检测血流变化的方法，不仅能反映心血管状态，其波形形态变异还与ANS调控密切相关。研究人员创新性地提出：PPG信号中蕴含的节律复杂性特征，或许能成为破解OSA-MDD共病诊断的密码。

这项发表于《Computers in Biology and Medicine》的研究，通过分析60名受试者（健康对照25例、单纯OSA 20例、OSA合并MDD 15例）的夜间PPG数据，建立了基于机器学习的两阶段筛查模型。关键技术包括：采用相关系数阈值法自动剔除运动伪迹干扰的PPG片段；提取每搏脉搏波的偏度（Sk）和峰度（Ku）作为基础形态参数；在此基础上计算近似熵（ApEn）和Hjorth活动度（HA）、移动度（HM）、复杂度（HC）等非线性特征；通过嵌套交叉验证优化支持向量机（SVM）分类器。

研究结果部分揭示了一系列重要发现：

1. 信号质量验证：开发的自动去噪算法对运动伪迹的识别准确率达98.03%，为后续分析奠定基础。
2. 特征筛选：在健康对照与OSA患者的鉴别中，ApEn(Ku)和ApEn(Sk)展现出最强判别力（效应量分别为0.74和0.67）；而在OSA亚型分类中，HM(Sk)的加入使模型性能进一步提升。
3. 分类性能：模型区分健康与OSA的准确率达84%（AUC 0.91），鉴别单纯OSA与OSA+MDD的准确率为76%（AUC 0.88）。

讨论部分深入阐释了这项研究的双重突破：方法学上，首次将PPG波形熵变分析应用于精神共病筛查，证实节律复杂性特征与抑郁状态的关联；临床上，为开发家用级睡眠-情绪联合筛查设备提供了理论支撑。值得注意的是，PPG信号中未被充分利用的低频成分（如0.04-0.15 Hz的Mayer波）可能蕴含更丰富的自主神经调控信息，这为未来研究指明了方向。

尽管样本量和人群多样性尚存局限，但这项研究开创性地构建了"PPG形态动力学-自主神经功能-精神症状"的关联框架。随着可穿戴技术的普及，这种融合非线性动力学与人工智能的分析范式，或将成为精神健康监测领域的新标杆。正如作者所言，下一步将探索PPG与心电图（ECG）的联合分析，以更全面地捕捉ANS失衡的生物标志物。