专利名称：从呼吸信号中检测和区别呼吸模式的方法呼吸紊乱睡眠呼吸紊乱(SDB)包括一组紊乱，其中，在睡眠过程中呼吸模式或通气质量异常。阻塞性睡眠呼吸暂停(OSA)，是最常见的这样的紊乱(可能影响4-5%的成年人)，其特征在于上气道的反复闭合或者塌陷以及呼吸部分或者完全减少。该阻塞通常是由上气道肌肉作用以清除阻塞时暂时唤醒患者而解除的。在阻塞和觉醒的反复循环过程中，OSA患者将会一直不断地“努力”呼吸，换言之，对于呼吸周期来说，没有中枢或者脑介导的呼吸中断。相反地，在中枢性睡眠呼吸暂停(CSA)中，存在着源自于脑和控制中枢的呼吸中断。Cheyne-Stokes呼吸(CSB)是一种较为常见的CSA形式。它是由患者呼吸控制器的异常极限周期(limit cycle)的不稳定性所引起的，在极限周期中存在通气增强和减弱 (waxing and waning ventilation)的节律性交替周期。心衰患者(心脏泵血功能不足的病征)通常患有CSA，特别是随着病情恶化或者治疗已经不能够有效地补偿心脏功能时。 Cheyne-Stokes呼吸在心衰患者中表现为潮气量周期性的变化。该周期包括过度呼吸后伴随的呼吸暂停和低通气(hypopnoea)，其特征通常(但并不是总是)在于也被称为“悉尼海港大桥(Sydney Harbor Bridge) ”形的驼背形态。CS呼吸的确切原因尚不完全清楚。然而，特征性的增强和减弱的周期很容易使人想到在具有失调增益或失稳反馈环延迟的调节欠佳的控制系统中的极限周期。各种类型的睡眠呼吸紊乱都是不期望的，因为它破坏了睡眠体系(不同类型睡眠的模式和比例)进而导致白天嗜睡。通气的反复停止或者通气量的减少引起血氧水平的 (有时显著地)下降。这些和其它并发症很可能是造成目前确定的心血管疾病后遗症的原因。OSA 的治疗方案是首先由 Sullivan[Sullivan CE 等· Reversal of obstructive sleep apnea by continuous positive airway pressure applied through the nares. Lancet 1981年4月18日；1 (8225) :862-5]描述的持续正压通气(CPAP)。CPAP也被用于治疗一些患有CSA和充血性心衰(在肺上有流体)的心衰患者。然而，Cheyne-Stokes呼吸无法使用CPAP有效地治疗，而是可能需要使用伺服通气[Teschler H等.Adaptive pressure support servo-ventilation -.a novel treatment for Cheyne-Stockes respiration in heart failure. Am J Respir Crit Care Med. 2001 年8月 15 日；164(4) 614—9。 Berthon—Jones Ventilatory assistance for treatment of cardiac failure and Cheyne-Stokes breathing.美国专利 6，532，95 。根据多重信号的诊断SDB和睡眠呼吸暂停诊断的黄金标准是多导睡眠图(PSG)住在睡眠实验室中整夜测量并记录大量生理学信号。简要地说，PSG信号集合通常包括一个或多个指示呼吸参数的信号，所述呼吸参数例如患者呼吸气流速率(用于计算通气量以及检测呼吸暂停和低通气)，复合(multiple)脑电图(EEG)，眼动图(EOG)和肌电图(EMG)信号(用于确定患者的睡眠状态和体位以及检测睡眠中的觉醒)，呼吸努力信号(或者是胸腔和腹腔膨胀带或者是食道压力测量导管)，打鼾幅度，以及氧饱和度。诊断SDB的另外一种方法是多种波动描记器(PG)，其在患者睡觉期间记录的参数减少。这些参数包括鼻/ 口气流速率，打鼾幅度，氧饱和度，呼吸努力(胸和腹)以及体位。在PSG和PG中，记录呼吸努力信号，使得能够从CSA或Cheyne-Stokes呼吸中区别出OSA事件。(也有可能是第三类呼吸事件——混合型呼吸暂停——其中，该事件因呼吸驱动的中枢介导缺乏而开始，因气道阻塞和随后的觉醒而结束)。在不参考至少气流信号和呼吸努力的量度的情况下，没有经验的观察者不可能可靠地确定呼吸暂停的类型。然而，经过培训的有经验的观察者(专家)经常能轻易地检测出事件(呼吸暂停/低通气)运行中的模式，从而能够可靠地确定潜在的疾病类型。这个对于具有通气增强和减弱模式特征的 Cheyne-Stokes呼吸尤其正确。简单的记录设备无论是PSG还是PG的性能都需要经过专业训练的技术人员，这是昂贵的，费时的， 并且其本身可能引入睡眠干扰。此外，众所周知的是，睡眠实验室的缺乏正在妨碍对目前 SDB患者的诊断和治疗，更不必说考虑大量未被诊断出的人口。为此，一种“筛选”设备(例如，德国MAP的microMesan⑧，或来自ResMed的ApeaLink )可用于测试怀疑患有睡眠呼吸紊乱的患者。这种装置很小巧，只记录一个或两个生理学信号，并且患者能够很容易地带回家用于筛查。例如医生记录经过患者鼻的气流，随后使用与该设备相连接的个人计算机检查该信号。然后使用软件包读取来自于该设备的数据，显示统计计算结果并根据疑似的睡眠相关病理学给出建议。诊断分类器呼吸暂停-低通气指数(AHI，平均每小时发生这种事件的次数)的计算是一种常规用于决定需要治疗还是需要进一步用全PSG或PG观察的量度。一种能够根据所记录的呼吸模式进一步区别不同潜在疾病状态的计算机程序或算法，为临床途径提供了额外的指导。例如，与睡眠呼吸暂停较常见的形式相比，Cheyne-Stokes呼吸的明显指征，将暗示完全不同的后续表现。在许多领域中分类器是一种常见的概念，在这些领域中，希望将对象或者对象的潜在状态归到许多类别中的一个中。例如，这个概念可用于声音识别(其中，声音信息组 (sound byte)被划分为不同的词或音节)，雷达探测(其中，可视信号被划分为敌方/我方目标)和医疗诊断(其中，测试结果被用来划分患者的疾病状态)等领域。分类器的设计属于模式识别领域，并且分类器可以是监督型的(其中，分类器建立在由监控器或“专家” 预先分类的训练数据基础上)或非监督型(其中，通过数据的自然排序或聚类确定不同类别)。时间信号的分类通常依赖于在特定的时间点上用“特征”表示信号。特征是在时间点上提取了信号本质的简单数字，其为压缩形式。特征集(或特征矢量)称为“模式”。分类器提取出模式并且使用适当的算法对它进行数学处理，从而产生每种类别的概率值。该模式就归到概率最大的类别中。在美国专利6，839，581中，公开了一种用于检测充血性心衰患者体内CS呼吸的方法，其通过对整夜的血氧计记录进行光谱分析，从而获得参数集来实现，所述参数用于构建分类树和训练过的神经网络。总之，睡眠呼吸紊乱是种具有不同潜在疾病类型的常见综合症，不同潜在疾病类型需要不同的治疗方案。因此需要小且相对便宜的筛选设备，该设备有助于解除目前在睡眠实验室中存在的治疗瓶颈问题。一种能够复制专家的能力检测出与特定疾病状态相关的呼吸模式的算法和诊断装置将会增强对进行睡眠呼吸紊乱筛选的患者的诊断和治疗，或用于监视正在接受治疗的患者。所需要的是一种将流量数据作为分类器形式的算法。特别期望的是一种利用与用在家庭设置中的小型手持设备结合的适当的软件，根据流量读数或者血氧计读数诊断Cheyne-Stokes呼吸的方法和装置。
本发明的CS诊断系统使用数字计算机上的模式分类技术，通过单独检查流量信号识别类似CS的呼吸周期。CS呼吸的确诊通常依赖于“努力”信号，该信号或者是食道压力信号或者来自腹部或胸部的弹性带信号。努力的缺失表示中枢型呼吸暂停，除此之外将很难从阻塞性呼吸暂停或混合型呼吸暂停中区别出中枢型呼吸暂停。混合型呼吸暂停包括中枢型开始(没有努力信号)，随后一旦驱动返回就出现阻塞性呼吸。没有其它通道的ApeaLink 经鼻流量数据被处理，从而将其划分为明确的 Cheyne-Stokes (CS)呼吸，然后给医生显示出可能的记录帮助其快速做出专家确认。 ApeaLink 记录器是单通道电池供电的呼吸压力传感器系统，其提供睡眠过程中的呼吸压力记录。ApeaLink 是由ResMed公司制造的小型(手持)设备，为家居使用而设计，可将其捆绑配戴于患者胸部。该设备利用经鼻压力感测导管只记录(间接地)经鼻的流量。睡眠中的所有呼吸相关信息将会通过经鼻压力套管采集。这将会允许心脏病专家更加方便地管理这种患者。例如，CS患者为了适当地可能的Autc^et CS治疗将会进行全面的多导睡眠图(PSG)诊断检查。非CS患者可以适当地只使用AutoSet治疗潜在的0SA。在利用PC 对经鼻流量信号进行适当的脱机处理之后，能够检测并显示以下事件呼吸暂停，低通气， 气流受限和打鼾。Cheyne-Stokes 呼吸检测算法CS检测算法使用来自例如ResMed的ApeaLink 设备的经鼻流量信号，或者指示至少一个呼吸参数的其它信号，连同模式识别技术给所记录的每30分钟时元的流量分配一个CS呼吸的概率。本发明详细叙述了初始的滤波和“事件”检测，其中，事件定义为表征 CS呼吸的低通气-呼吸过度顺序的区域。当呼吸过度的持续时间超过阈值时，或呼吸过度5区域的持续时间的统计量超过阈值时，这种事件的检测可以根据一个或多个呼吸过度区域的持续时间而确定。这种统计量可以是平均值或标准偏差或下面指定的其它统计量。模式分类技术是一种统计方法，其依赖于一种所谓的“训练”数据集，其中“分类器”能够通过被训练用来识别出某些“模式”，在这种情况下是CS呼吸。一种模式是特征组或特征矢量。特征是代表被检查信号某方面的数字。特征的例子是呼吸暂停长度。模式可以是包括呼吸暂停长度，呼吸过度长度和表示呼吸过度的形状接近“海港大桥”的数字的组。本发明的一个方面在于一种能更好地，优选地更可信赖地，诊断睡眠紊乱的存在的方法和装置。该诊断包括分析指示呼吸参数的信号，从而确定在从低通气到呼吸过度的区域内该信号的增加率，该增加率缓慢增加的区域，断定存在Cheyne-Stokes呼吸，该增加率突然增加的区域，断定不存在Cheyne-Stokes呼吸。根据本发明的一个方面，代表患者呼吸的信号被分成长度相等的时元，其中该时元的长度能够根据要求很长(整个记录)或者较短(代表性的低通气-呼吸过度顺序的长度)。优选地，例如，为了滤除噪声以及使基线归零，该信号可能会经受一系列的预处理步马聚ο优选地，从来自所述信号中的充当该信号事件的压缩表示的每个时元中提取一个或多个主要特征。该事件指例如，呼吸暂停，低通气和呼吸过度。对这些主要特征进行统计分析，从而产生一个或多个表示整个时元的次要特征。利用一个或多个从整个时元而不是从时元事件提取的其他特征，将每个次要特征分组。这种最终的特征组就是时元模式。所述时元模式优选使用合适的分类算法进行操纵以产生所述信号可以代表的每种可能类别(例如，Cheyne-Stokes呼吸，OSA等)的概率。所述时元被分配给概率最高的类别，并且所述概率的类别和强度报告了潜在疾病状态的指示。所述分类算法优选地从训练数据集中学习，其中这些数据集已经由人类专家预先分类。在这种意义上来说，所述分类器属于监督机器学习类型。图1是信号处理路径的方框图从患者的呼吸信号开始，经过预处理，根据时元的特征提取，最后到分类；图2表示典型的呼吸信号时元，其包括大量的“事件”(在该情况中呼吸暂停-呼吸过度顺序)，若干个主要特征或者被明确示出(2. 1呼吸暂停/低通气长度，2. 2呼吸过度长度，2. 3周期长度)或者被推断出来(2. 4呼吸过度的形状特征，2. 5表示在呼吸过度开始处的初始“跳变”特征)；图3表示主要特征的计算细节，3. 1表示用于确定呼吸过度形状特征的基本函数， 3. 2表示具有OSA特征的呼吸过度，连同图表显示的跳变特征的计算，3. 3表示更具有CS呼吸特征的呼吸过度的相似描述，在这两种情况中，都将计算得到的跳变特征和形状特征制成表格；图4表示时元分类的例子，例如，使用柱状图；图5表示在呼吸过度信号中归一化的最大跳变的分布；图6表示CS和OSA患者的聚类分析；
图7表示LD (线性)分类器的结果；图8表示QD ( 二次)分类器的结果；图9表示用于基线偏移量(baseline offset)的数据校正；图10表示典型病患长期通气和左移10秒通气的Cheyne-Stokes流量波形；图11描述流量波形对应呼吸过度的那些部分；图12表示Cheyne-Stokes患者在大约15分钟上的经鼻流量信号；图13表示患者的Spo2信号(饱和度)和通气量信号(流量的低通滤波绝对值)。



将代表患者呼吸的信号分成长度相等的时元。从每个充当信号事件的压缩表示的时元提取主要特征。对主要特征进行统计分析，从而产生一个或多个表示整个时元的次要特征。根据一个或多个从整个时元而不是所选择的时元事件提取的其他特征，对每个次要特征进行分组。这种分组就是时元模式。使用合适的分类算法操纵所述模式，并在算法内产生每个类别的概率，其中所述信号可以代表疾病状态(Cheyne-Stokes呼吸，OSA等)。所述时元被分配给概率最高的类别。此外，还定义了通过分析信号以检测一个或多个呼吸过度区域来检测Cheyne-Stokes呼吸的方法，并且如果呼吸过度长度超过了一个参数，那么就存在Cheyne-Stokes呼吸。