Analytical Amplitude/Phase Markers for Neurological Sleep Apnea Events

《Neurobiology of Sleep and Circadian Rhythms》:Analytical Amplitude/Phase Markers for Neurological Sleep Apnea Events

【字体: 大 中 小 】 时间:2026年05月07日 来源:Neurobiology of Sleep and Circadian Rhythms CS5.7

编辑推荐:

  目的:利用非线性带通滤波技术,寻找代表呼吸暂停事件的优势波形,以分类不稳定的通气系统。方法:数据集在线采集自“都柏林圣文森特大学医院”,包含来自年龄大于18岁、无已知心脏病或自主神经功能障碍且未服用干扰心率药物的受试者的多导睡眠图(PSG)记录。本研究共筛选了

  
目的:利用非线性带通滤波技术,寻找代表呼吸暂停事件的优势波形,以分类不稳定的通气系统。方法:数据集在线采集自“都柏林圣文森特大学医院”,包含来自年龄大于18岁、无已知心脏病或自主神经功能障碍且未服用干扰心率药物的受试者的多导睡眠图(PSG)记录。本研究共筛选了25名受试者。文中描述了代表呼吸暂停波形中振幅分量优势的方程,即振幅波形AW(t)公式。结果:中枢性睡眠呼吸暂停(CSA)事件的敏感性为82.14%,特异性/精确度为71.43% (P<0.0001)。界定呼吸暂停事件的上下限阈值在所有呼吸暂停队列中具有良好的拟合度,R2= 75%。结论:在θ频带内,脑电图(EEG)信号的振幅分量被证明是定位呼吸暂停的主要指标,而相位分量的加入能够实现对呼吸暂停事件的精确定位。意义:大多数呼吸暂停事件呈簇状发生,表明血液中CO2的积累。呼吸停止导致呼吸暂停事件的时间间隔可在皮层中被检测到。呼吸暂停事件可被追踪为直至呼吸重新建立前不断增加的皮层波形。
该研究针对睡眠呼吸暂停(尤其是中枢性睡眠呼吸暂停,CSA)检测中对脑电信号(EEG)特征利用不足的问题,提出了一种基于解析振幅与相位标记的神经睡眠呼吸暂停事件分析方法。研究人员通过分析EEG信号在呼吸暂停期间的动态变化,旨在建立一种能够精确识别和分类不稳定通气系统的数学模型。
为实现上述目标,研究人员采用了几项关键技术方法。首先,数据来源于“都柏林圣文森特大学医院”的公共数据库,筛选了25名符合条件的成人受试者。其次,采用非线性带通滤波技术,将EEG信号锁定在4至7.5 Hz的θ频带以提取优势频率。随后,应用离散希尔伯特变换(Discrete Hilbert Transform)对滤波后的信号进行分解,计算出瞬时振幅和相位,进而推导出幅度锁定值(Amplitude Lock Value, ALV)和相位锁定值(Phase Locking Value, PLV)。最后,构建了振幅波形(Amplitude Waveform, AW(t))公式,结合ALV和PLV设定阈值,并通过五折交叉验证评估模型性能。
研究结果分为三个部分展示:
  1. 1.
    振幅与相位锁定值的同步上升:研究发现当ALV与PLV值在时序上重叠时,标志着神经活动处于呼吸暂停状态。统计分析显示,呼吸暂停状态下的ALV平均值为0.7(标准差±0.3),PLV平均值为0.85(标准差±0.003)。AW(t)方程的上下界阈值能够有效捕捉这些事件。
  2. 2.
    由振幅波形阈值界定的呼吸暂停事件位置:利用St. Vincent’s数据库的数据,研究人员将41个呼吸暂停事件分为训练集(31个)和测试集(10个)。通过正态分布分析确定了阈值参数,并利用五折交叉验证优化了阈值选择。结果显示,AW(t)和ALV的阈值在所有呼吸暂停队列中呈现出四阶多项式拟合特征,AW(t)的决定系数(R2)达到75%。
  3. 3.
    应用于振幅波形分类性能的ROC曲线:通过受试者工作特征(ROC)曲线分析,该模型的曲线下面积(AUC)为0.833(P<0.0001),显示出良好的分类性能。具体而言,CSA事件的敏感性为82.14%,特异性为71.43%。根据Youden指数确定的最佳临界点为“>4秒”,此时敏感性与特异性的综合表现最优。
讨论部分进一步阐释了结果的意义。研究表明,EEG信号处理中振幅和频率变化的结合能有效关联呼吸暂停事件。相较于以往仅依赖频谱功率或深度学习模型的方法,本研究提出的结合振幅分量(作为主要指标)与相位分量(作为微调指标)的策略,在θ频带内实现了对呼吸暂停的高精度识别。从生理学角度看,CSA与阻塞性睡眠呼吸暂停(OSA)在生理上存在显著重叠,均涉及通气控制模式的不稳定性及动脉CO2水平的代偿性反应。呼吸暂停状态与神经系统功能密切相关,长时间无呼吸间隔可通过皮层激活检测到,表现为低频、高振幅神经活动的波形累积。
结论部分指出,EEG信号的振幅分量被证实是检测呼吸暂停事件的主导指标,相位分量则有助于精确调整识别时机。呼吸暂停事件主要出现在θ频带,这与血液中CO2水平升高引发的通气控制模式不稳定性及神经低频振荡的增加有关。对于睡眠呼吸暂停患者,这种正常的状态依赖性变化被放大,导致反复的呼吸道阻塞。研究中观察到的呼吸暂停事件簇及其波形增长趋势,可能为开发长期呼吸暂停事件的反馈控制环路提供依据。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号