《Results in Engineering》:Sensors and Computational Methods for Sleep Quality Assessment: A Systematic Review
编辑推荐:
背景:结合计算模型的可穿戴、床基和非接触式传感器系统,正日益被用作多导睡眠描记术(PSG)的侵入性较低且更具可扩展性的替代方案,用于睡眠监测。目的:该系统综述评估了睡眠质量评估中的传感器技术、提取的生理与行为特征、计算方法、验证方法及其实际局限性。与仅关注单一
背景:结合计算模型的可穿戴、床基和非接触式传感器系统,正日益被用作多导睡眠描记术(PSG)的侵入性较低且更具可扩展性的替代方案,用于睡眠监测。目的:该系统综述评估了睡眠质量评估中的传感器技术、提取的生理与行为特征、计算方法、验证方法及其实际局限性。与仅关注单一传感器或临床任务的综述不同,该综述将传感器模态与计算方法、目标睡眠结果、参考标准以及面向家庭或临床部署的准备情况进行了映射关联。方法:在IEEE Xplore、PubMed、Springer、Elsevier/ScienceDirect和MDPI中进行了系统性检索。纳入了2014年1月至2025年5月期间发表的使用可穿戴、柔性、床基、非接触或非侵入式传感器,并结合计算或信号处理方法来评估睡眠质量或相关睡眠结果的研究。共考虑了57篇出版物,包括54项主要研究和三篇背景综述文章。结果:在54项主要研究中,可穿戴传感器研究占最大比例,共16项;其次是非接触式睡眠监测和睡眠呼吸暂停检测,各11项;高级计算模型10项;睡眠姿势识别6项。加速度计、体动记录、压力传感、光电容积脉搏波描记术(PPG)、心电图(ECG)、心冲击描记术(BCG)、雷达和声学传感是主要的模态。经常提取的特征包括运动活动、心率变异性(HRV)、呼吸模式、压力分布、声学信号和姿势动态。经典机器学习方法在数据集较小且特征可解释时仍然有用,而深度学习模型越来越多地应用于多模态、空间和时间信号。然而,性能受到目标任务、人群、数据集、参考标准和验证协议的极大影响。结论:可穿戴和非接触式技术在纵向睡眠监测、呼吸暂停筛查、睡眠-觉醒估计和姿势识别方面显示出巨大潜力。然而,小队列、异质协议、不一致的基于PSG的验证以及有限的外部测试,目前阻碍了它们被普遍接受为临床PSG的等效替代方案。
1. 引言
睡眠是生理和认知健康的关键决定因素,睡眠质量差会导致不良生理和心理结果。多导睡眠描记术(PSG)仍然是临床睡眠评估的参考标准,但成本高、侵入性强。近年来传感器技术、可穿戴设备、微型化硬件和机器学习算法的进步,大大扩展了连续睡眠监测的可能性。可穿戴设备如腕带、胸带、耳脑电图(EEG)和多模态贴片,能够长期测量运动、心率、呼吸和电生理信号。非接触系统包括声纳、雷达和超宽带(UWB)、心冲击描记术(BCG)平台、压力传感器和光纤床垫。多模态方法结合互补感知方式,改善了运动、心血管、呼吸和大脑状态的表征。该综述以工程为导向,重点综述传感器系统的设计开发、计算处理和实际验证,评估了可穿戴、非接触、床基、雷达、光学、声学及混合传感器技术如何与信号处理、特征提取、机器学习和深度学习方法相集成。相对已有综述,本研究的创新性在于将传感器模态与提取特征、目标睡眠结果、验证标准和报告局限性相关联,并进行跨研究的系统设计、算法开发和部署准备情况的模式识别。
2. 方法
2.1至2.8 研究方法与文献筛选
该系统综述旨在识别、评估和综合关于传感器和计算方法评估睡眠质量的现有文献。研究在多个数据库中进行检索,纳入了2014年1月至2025年5月间发表的研究。由于各项研究在传感器类型、参与者、环境和计算方法上存在显著异质性,研究人员未进行定量荟萃分析,而是进行了描述性和比较性综合。综述明确了三个研究问题,即睡眠质量评估常使用的传感器技术、提取的生理行为特征,以及计算方法在不同任务中的有效性。文献采用自然语言处理(NLP)工具包支持系统检索和初步获取,研究筛选、数据提取和方法学质量评估均在人工手动下完成。研究共筛选出54篇主要实证研究和3篇背景综述文献。每项主要研究被分配至五个主题类别之一:非接触式睡眠监测、可穿戴传感器、睡眠呼吸暂停检测、高级算法与模型以及睡眠姿势识别。提取的信息涵盖了研究人群、样本量、传感器技术、目标结果、计算方法、验证标准和性能指标。为评估偏差风险,研究构建了包含参考标准验证、样本量、研究环境、计算透明度等七个评估结构域的框架。
3. 结果实证分析
3.1 纳入研究的描述性特征
54项主要研究显示近年来发表量显著增加,2021年至2025年间发表的研究占66.7%。从主题分类看,可穿戴传感器研究占29.6%(16项),非接触式睡眠监测和睡眠呼吸暂停检测各占20.4%(11项),高级算法占18.5%(10项),睡眠姿势识别占11.1%(6项)。从传感器频次看,压力或力敏电阻系统占27.8%,加速度计或体动记录仪占25.9%,压电或BCG传感占18.5%,光电容积脉搏波描记术(PPG)或血容量脉搏(BVP)占9.3%。从计算频次看,支持向量机(SVM)等经典算法在9.3%的研究中出现,而深度学习模型在处理压力图、BCG、电生理记录等多模态复杂信号中的应用呈现增加趋势。
3.2 非接触式睡眠监测
非接触系统利用红外成像、声学传感、UWB雷达、床垫压力传感器等技术收集数据,无需在用户身上附着电极。研究通过相机和声纳系统捕捉环境事件和呼吸模式监测睡眠障碍。雷达及UWB系统有效捕获无直接接触情况下的呼吸活动与体动,如UWB雷达在儿童睡眠分期中取得较好一致性。床基传感器、压电和光学系统提供了体动、姿势及心肺微观动态指标,在呼吸暂停评估和睡眠碎片化监测中显示出临床潜力。光学传感器在姿势识别中获得了高准确率,但多接触式系统受限于样本量小且环境干扰大,需更广泛的PSG对照研究。
3.3 可穿戴传感器
可穿戴系统利用体动记录仪、PPG、ECG、耳-EEG等记录纵向生理数据。运动型可穿戴设备在睡眠-觉醒分类中显示出实用性,但受体动伪影、传感器佩戴位置影响。结合PPG及ECG的多模态设备可提供HRV、血氧等心血管和呼吸指标用于睡眠分期及呼吸暂停监测。耳内EEG及柔性多模态贴片捕获到更丰富的生理信号,在睡眠阶段分类和阻塞性睡眠呼吸暂停(OSA)检测中表现优异,但在N1等过渡期识别仍存在挑战。消费级智能手表等设备在异质性大样本中表现出更贴近实际的性能数据。总体而言,多模态融合比单一传感器更具表征力,但增加了复杂度和电池能耗。
3.4 睡眠呼吸暂停检测
此类研究主要针对呼吸暂停筛查、呼吸事件检测展开。压力与压电系统捕获呼吸运动,在轻度OSA检测中特异性较低,而在中重度病例中表现更佳。多模态可穿戴系统整合了心血管、血氧及声学信息,利用生理模型提升识别性能。胸骨上切迹压力传感等新型技术显示出同时提取呼吸和心脏信号的潜力。先进计算模型(如含膨胀金字塔模块的神经网络)基于大样本来界定呼吸事件边界。总体而言,联合多重心肺信号并采用PSG验证评估的模型提供了更强有力的临床证据。
3.5 高级计算模型
高级计算模型包含深度学习、多模态算法等。这些研究证实了计算模型能将异构生理行为转化为有意义的睡眠指标。高密度压力阵列捕获的空间模式与压电信号捕获的时序呼吸模式可用残差网络等深度学习模型高效提取。尽管深度学习模型能自适应提取高维特征,但研究指出其性能依赖于数据集构成与验证策略,且存在过拟合风险。基于HRV与温度的SVM等方法在睡眠质量预测中表现可观,证实了经典机器学习在解释性好的手工特征和小型数据集上的持续价值。未来需重视标准化基准与客观数据的锁定。
3.6 睡眠姿势识别
利用力敏传感器(FSR)、柔性传感器、压电阵列等识别睡眠姿势,主要服务于压力性溃疡预防和体位性OSA管理。早期FSR结合红外矩阵的混合系统已获得较高准确率。高密度压力传感驻极体在深度网络下能提取出详尽的空间分布信息,而稀疏配置结合时空卷积神经网络(CNN)在显著降低硬件及计算开销的同时保持了高精度。支持向量机在嵌入式设备中实现高效本地区分处理,提升了实时监测的隐私 Protected。但需加强体型异质及床品改变下的跨夜稳定性评估。
4. 讨论
综述指出基于传感器的睡眠评估正经历从单一技术和简单阈值向多模态融合与数据驱动计算的工程演进。PSG验证应用不一致和算法透明度缺略是限制技术融合与模型性能泛化的主要瓶颈。因此现有工程样机多适用于纵向监测与早期筛查,尚无法全面等效代替临床PSG。本文再次呼吁未来将研究重点转移至多样化的长期家庭真实环境验证上,透明披露参数设置并推行跨设备基准测试。
5. 结论
通过综合近十年的54项实证研究,本综述已清晰揭示了可穿戴和非接触式传感器在睡眠状态评估中的技术优势及限制。加速度和心率变异性(HRV)等核心生理人行特性被有效提取用于睡眠态的连续无感监测。务实来看,诸如受限样本、异质指标和验证不足等仍存,需在未来的算法能效、隐私保护等方面取得实质突破后方能真正投入家用和临床的普适化运行。