用于确定浅睡眠阶段和深睡眠阶段的非侵入方法和设备

摘要

一种用于通过感测与主体的体循环有关的外围脉搏信号来检测和区别主体的深睡眠的时期和浅睡眠的时期的方法和设备，优选外围动脉紧张性（PAT）传感器，其用于感测反映交感神经紧张性变化的主体的手指或足趾（例如，手指）的脉动动脉容积变化；分析所感测的脉搏信号以由此确定许多特征，尤其是两个时间段中的每一个中的七个特定变量；以及利用分析的结果来确定所检测的时期是浅睡眠时期还是深睡眠时期。

说明书

相关申请

本申请包括在2008年4月14日提交的美国临时申请No. 61/071,127中描述的主题，要求其优先权日期，并在此引入该完整公开内容以供参考。

技术领域和背景技术

本发明涉及用于通过感测与主体的体循环有关的外围脉搏信号（peripheral pulse signal）来非侵入地确定浅睡眠阶段和深睡眠阶段的方法和设备。本发明在利用诸如在2002年7月16日提交的美国专利申请No. 10/195,464、在2003年9月12日提交的美国专利申请No.10/471,580和在2005年1月18日提交的美国专利申请No. 10/520,273中公开的外围动脉紧张性（PAT, peripheral arterial tone）传感器时特别有用，这些申请全部被转让给与本申请相同的受让人，其说明在此引入以供参考，以及因此下面相对于此类传感器来描述本发明。

为了便于理解下列说明，下面阐述了在本文中频繁使用的许多缩写的意义。

REM           快速眼动（睡眠阶段）

NREM        非快速眼动（睡眠阶段）

PAT            外围动脉紧张性（信号）

AMP           PAT信号振幅

EEG           脑电图－与脑相关联的电流

EMG          肌电图－与肌肉相关联的电流

EOG           眼电图－测量视网膜的静息电位

ANS           自主神经系统

OSA           阻塞性睡眠呼吸暂停

OSAS         阻塞性睡眠呼吸暂停综合征

RDI            呼吸紊乱指数

PSG            多导睡眠监测

IPP              脉间周期（心率）

DFA             去趋势波动分析

VLF             甚低频谱密度的峰值

LF                低频谱密度的峰值

ULF             超低频谱密度的峰值

HF                高频谱密度的峰值

Spec Ratio    LF与HF的比

NF                相邻过滤器

ROC             接收机工作特性（曲线）

AASM          美国睡眠医学学会

检测各种睡眠－状态状况，特别是睡眠－清醒状态阶段和REM睡眠阶段对比NREM睡眠阶段，一般被用在各种医学状况的确定中，特别是在诸如OSA和REM相关的呼吸暂停之类的阻塞性睡眠状况的确定中。目前，一般由装配有用于感测各种状况（特别是EEG信号）、并利用感测的状况的结果来确定睡眠状态的专用仪器的睡眠实验室中的PSG来进行检测各种睡眠状况。上文引用的2002年7月16日提交的美国专利申请序号10/195,464利用应用于诸如个体的手指或足趾（手指或脚趾）之类的外围身体位置的外部探针来检测与主体的体循环有关的外围脉搏信号。其中所公开的优选实施例利用了PAT探针来检测主体的外围血管床容积的变化。同样地，上文引用的2005年1月18日提交的美国专利申请序号10/520,273利用了能够被应用在个体的实际上任何身体部位的外部探针来检测与主体的体循环有关的外围脉搏信号。

本发明尤其针对使用应用于个体用来感测与主体的体循环有关的外围脉搏信号的探针来检测深睡眠的时期和浅睡眠的时期并将它们区别开，其可以用于无人值守的携带式睡眠监测，不要求提供在睡眠实验室中的传感器（例如，EEG传感器）或其它专用仪器。

本发明在使用在上文引用的美国申请序号10/195,464、10/471,580、和10/520,273中所描述的PAT探针检测个体的外围血管床容积的变化时特别有效，并因此下文特别相对于此类传感器的使用予以描述。为了简洁起见，本文未描述此类PAT传感器的构造和操作，但是可见于上文引用的美国申请序号10/195,464、10/471,580和10/520,273中，出于此目的这些申请在此引入以供参考。虽然本发明优选使用此类PAT传感器，但应认识到本发明可以使用其它传感器来感测外围脉搏信号。许多此类其它传感器在本领域中是众所周知的。这些包括但不限于：皮肤光学密度或皮肤表面－反射率装置、光学体积描记器（也称为光体积描记器）、多普勒超声装置、激光多普勒装置、脉博血氧计、节段体积描记器、圆周应变计装置、同位素冲刷技术、热冲刷技术、电磁技术、霍尔效应传感器等，用来感测与主体的体循环有关的外围脉搏信号。

非快速眼动（NREM，Non-Rapid Eye Movement）睡眠在传统上被分类为四个阶段，其中，阶段1被定义为睡意（仅仅为入睡）；阶段2为浅睡眠，以及阶段3和4为深睡眠，其被视为更恢复精力的睡眠。被分类为浅睡眠的两个阶段1和2 NREM睡眠的特征为θEEG活动。在阶段1 NREM睡眠中，可能存在缓慢的垂直眼睛滚动，而NREM睡眠的阶段2的特征为睡眠纺锤波和/或K复合波，无眼运动且EMG活动减少。被分类为深睡眠的阶段3和4 NREM睡眠的特征为ΔEEG活动（其是将这些阶段描述为慢波睡眠的常用词的原因），无眼运动（虽然EOG通道一般显示出EEG伪迹），以及甚至EMG活动进一步减少（Lavie等人，2002；Rechtschaffen和Kales，1968）。考虑到深睡眠的更具康复性性质和睡眠剥夺或睡眠障碍治疗之后的增加的深睡眠的共同发现，区别浅睡眠阶段和深睡眠阶段具有相当大的临床重要性。

近来，AASM可视计分工作组（AASM Visual Scoring Task Force）重新检验了这些规则并提出用于睡眠阶段的新术语。由于未发现证明将慢波睡眠划分成两个阶段, 即NREM睡眠的阶段3和4正确的证据，所以提出了将这些组合成单个阶段的深睡眠（Silber等人，2007）。然而，尽管提出了新的计分标准，但如其前辈（Rechtschaffen & Kales，1968）一样，自主神经系统（ANS）的活动在对睡眠阶段进行计分方面仍未扮演重要角色，虽然增加了此系统在各种睡眠阶段中的相当大的且不同的活动的证据。换言之，无论经由表面电极测量的EEG变化如何，浅和深睡眠似乎相差了自主活动，自主活动主要表现为在深睡眠中比在浅NERM睡眠中更高且更稳定的副交感神经系统活动（Dvir等人，2002；Herscovici等人2007；Lavie等人，2000；Narkiewicz等人，1998；Penzel等人，2000；Penzel等人，2003；Penzel等人，2004；Pressman和Fry，1989；Villa等人，2000；Virtanen等人，2007）。因此，诸如心率、心率变异性和外围动脉紧张性之类的ANS在评估NREM睡眠质量时可能具有显著的重要性。

监视-PAT （Watch-PAT）100（该相同系统的另外版本WP100或WP200）是携带式睡眠记录仪，其主要基于外围动脉紧张性（PAT）信号和脉搏率的记录（自主神经系统的两个重要输出）、体动记录仪和脉搏血氧仪（Bar等人，2004；Penzel等人，2004；Pillar等人，2003）。其已被证明准确地检测睡眠对比清醒（Hedner等人，2004）、以及检测REM睡眠（Dvir等人，2002；Herscovici等人，2007；Lavie等人，2000）。考虑到具有阻塞性睡眠呼吸暂停的病人的自主神经系统特性的经充分确定的变化（Aydin等人，2004；Brooks等人，1999；Jo等人，2005；Narkiewicz等人，1998；Narkiewicz和Somers，1997；Penzel等人，2000；Penzel等人，2003；Pepin等人，1994），已经对正常主体和具有OSA的病人两者进行了测试WP100 （Bar等人，2003；Dvir等人，2002；Hedner等人，2004；Herscovici等人，2007；Lavie等人，2000；Penzel等人，2004；Pillar等人，2003）。然而，尚未检验基于由WP100监测的自主神经系统（ANS）输出来区别浅睡眠和深睡眠的能力。

深睡眠已被证明与增加的副交感神经系统活动（在心率和心率变异性方面突出）和更规则且稳定的心率相关联（Berlad等人，1993；Bonnet和Arand，1997；Brandenberger等人，2005；Burgess等人，1999；Busek等人，2005；Elsenbruch等人，1999；Ferri等人，2000；Kirby和Verrier，1989；Kodama等人，1998；Liguori等人，2000；Monti等人，2002；Negoescu和Csiki，1989；Noll等人，1994；Okada等人，1991；Penzel等人，2003；Pressman和Fry，1989；Somers等人，1993；Takeuchi等人，1994；Trinder等人，2001；Villa等人，2000）。因此，开发一种这样的算法将是高度期望的：该算法将允许单独地基于用于感测与主体的体循环有关的外围脉搏信号的传感器来检测和区别浅睡眠和深睡眠。PAT探针对于此目的特别有用，这是因为血管紧张性和脉搏率两者是WP100中的PAT探针的通道。这会允许测试自主神经系统输出变化依赖于睡眠阶段的假设。如所述，为此可以使用用于感测外围脉搏信号的其它传感器。

发明内容

本发明的目的是提供一种方法以及还有设备，用来检测和区别深睡眠的时期和浅睡眠的时期，其可以用于睡眠实验室外面的主体的无人值守的携带式睡眠监测且不要求通常仅在睡眠实验室中可获得的特殊设备，诸如EGG传感器。

根据本发明的广泛方面，提供了一种检测和区别主体的深睡眠的时期和浅睡眠的时期的方法，包括（a）在该时期的时段内从主体感测与主体的体循环有关的外围脉搏信号；（b）分析感测的外围脉搏信号以便由此确定从下面特征导出的一个或多个变量，其中，每个特征可以提供2个变量—一个是振幅变量且另一个是心率变量（总共达到14个变量）：（1）感测的外围脉搏信号的平均振幅和心率；（2）感测的外围脉搏信号的振幅和心率的去趋势波动分析（DFA）的缩放系数；（3）感测的外围脉搏信号的振幅和心率的低频谱密度（LF）的峰值；（4）感测的外围脉搏信号的振幅和心率的甚低频谱密度（VLF）的峰值，（5）感测的外围脉搏信号的振幅和心率的超低频谱密度（ULF）的峰值；（6）感测的外围脉搏信号的振幅和心率的高频谱密度（ULF）的峰值；以及（7）振幅和心率的LF与HF的比（谱比）；以及（c）利用前述分析的结果来确定所检测的时期是浅睡眠时期还是深睡眠时期。

在下述本发明的优选实施例中，利用由分析操作确定的所有上述变量来确定所检测的时期是浅睡眠还是深睡眠时期。并且，在该实施例中，由应用于主体的手指或足趾的PAT传感器来感测所感测的外围脉搏信号。

此外，在所述优选实施例中，在几分钟的滑动窗口内存在多个时期，每个具有几秒的时间段。在两个时间段中的每一个期间从主体感测外围脉搏信号。对于每个时间段，如在操作（b）中所阐述的那样分析每个外围脉搏信号，并利用此类分析的结果来确定每个时期是浅睡眠时期还是深睡眠时期。

根据本发明的另外方面，提供了一种用于检测和区别主体的深睡眠时期和浅睡眠时期的设备，包括（a）传感器，用于在该时期的时段内从主体感测与主体的体循环有关的外围脉搏信号；

（b）处理器，用于分析感测的外围脉搏信号以便由此确定从下面特征导出的一个或多个变量，其中，每个特征提供2个变量—一个是振幅变量且另一个是心率变量（总共达到14个变量）：（1）感测的外围脉搏信号的平均振幅和心率或者该（2）感测的外围脉搏信号的振幅和心率的去趋势波动分析（DFA）的缩放系数；（3）感测的外围脉搏信号的振幅和心率的低频谱密度（LF）的峰值；（4）感测的外围脉搏信号的振幅和心率的甚低频谱密度（VLF）的峰值，（5）感测的外围脉搏信号的振幅和心率的超低频谱密度（ULF）的峰值；（6）感测的外围脉搏信号的振幅和心率的高频谱密度（ULF）的峰值；以及（7）振幅和心率的LF与HF的比（谱比）；

如上文所指示的，在下述优选实施例中，所述传感器是用于应用于主体的手指或足趾的PAT传感器，并且由分析操作确定的所有特征被用来确定所检测的时期是浅睡眠时期还是深睡眠时期。

本发明的方法和设备、特别是在与上文引用的专利申请序号10/195,464中描述的方法和设备一起使用时可以用于检测所有睡眠阶段而不需要特殊传感器（例如EEG传感器）或诸如通常可在睡眠实验室获得的其它特殊设备，并因此可以用于无人值守的携带式睡眠监测。如下文将更特别地描述的，已通过将本发明的方法和设备所产生的结果与在常规睡眠实验室中产生的结果相比较的研究顺利地测试了本发明的此能力。

通过以下说明，本发明的其它特征和优点将变得显而易见。

附图说明

在本文中仅以示例的方式参照附图描述本发明，其中：

图1是图示依照本发明构造的一种形式的设备的主要组件的方框图；

图2是示出根据本文所描述的本发明优选实施例的用来处理数据以确定睡眠阶段的方式的流程图；

图3图示了用于表明最佳分开（NF之后）的变量的分开直方图；

图4是图示在没有NF的情况下的加权和分布的示图；

图5是图示在有NF的情况下的加权和分布的示图；

图6是图示对于轻微（1）、中等（2）和严重（3）OSA训练组的一致性的示图；

图7是图示用于训练组的百分比深睡眠阶段检测（PSG第一算法）的Bland Altman（布兰德艾尔麦恩）图的示图；

图8是图示对于轻微（1）、中等（2）和严重（3）OSA确认组的一致性的示图；以及

图9是用于确认组的百分比深睡眠阶段检测的误差的Bland Altman图（PSG对比在本文中开发的算法）。

应当理解，前述附图和以下说明主要是为了便于对本发明的概念方面及其可能实施例的理解而提供的，包括目前被视为优选实施例的内容。为了明了和简洁起见，不试图提供比使得本领域的技术人员使用常规技术和设计能够理解和实践所描述的发明所必需的更多的细节。还应理解的是所描述的实施例仅仅是出于示例的目的，并且能够以除本文所描述之外的其它形式和应用来体现本发明。

具体实施方式

图1是图示依照本发明构造的一种形式的设备的主要组件的方框图；并且图2是示出根据本发明的所描述的实施例的用来获得和处理数据以确定睡眠阶段的方式的流程图。

因此，如图1所示，所述设备包括中央处理单元，通常表示为10，具有来自外围脉搏测量装置12的一个输入和来自睡眠/清醒检测装置或运动检测装置14的另一输入。此信息被中央处理单元10处理以产生表示供存储的睡眠阶段数据的数据输出16和用于显示睡眠阶段数据的显示输出18。

输入设备12是用于感测来自主体的与主体的体循环有关的外围脉搏信号的传感器。外围脉搏测量设备12可以是用于检测此类信号的任何已知装置，但是优选是应用于主体的手指或足趾（手指或脚趾）用来测量主体的外围动脉紧张性和脉搏率的PAT探针。在本领域中已知许多此类PAT传感器，例如，如上文引用的美国专利申请10/195,464、10/471,580和10/520,273中所描述的，这些申请在此引入以供参考并被转让给与本申请相同的受让人。

如果进行对初始算法的某些自适应，并且如果保持对运动的相同灵敏度，则睡眠/清醒检测装置14可以是应用于腕或应用于病人身体表面的任何其它部位的常规Actigraph（体动记录仪）探针。或者，其可以是应用于主体以便检测身体运动的运动检测装置，诸如加速度计型传感器。

中央处理单元10根据下文，特别是相对于图3的流程图所描述的算法来处理由输入单元12和14输入的数据，以产生供存储或其它处理控制的睡眠阶段数据的数据输出16以及还产生睡眠阶段数据的显示输出18。

描述中央处理单元10的算法的在图3中所图示的流程图接收从主体感测的与主体的体循环有关的外围脉搏信号，分析所感测的外围脉搏信号以便由此确定下文所描述的和如图3中所图示的许多特征，并利用分析结果来确定特定睡眠时期是深睡眠或浅睡眠时期的概率。在提前如22处所示30秒时期的如20处所示的五分钟滑动窗口内计算所有变量及其状况概率。

如图3进一步所示，从PAT信号振幅（AMP）时间序列和心率的特征，即如方框24所指示的脉间（IPP）时间序列导出频域和时域两者中的一组14个归一化变量（每个域中7个）。所有变量被缩放至它们的平均值，因此可以将它们解释为状况概率。从每个时间序列，导出一组7个类似类型的变量，得到总共14个变量，如图3中方框1～16所指示的。每个这样的七个变量组包括：（1）如方框26所指示的去趋势波动分析（DFA，detrended fluctuation analysis）的缩放系数；（2）平均值（方框30中的AMP）（方框32中的心率）；（3）低频谱密度（LF）的峰值（方框34）；（4）甚低频谱密度（VLF）的峰值；（5）超低频谱密度（ULF）的峰值（方框36）；（6）高频谱密度的峰值（HF）（方框38）；和（7）LF与HF的比（谱比，spec ratio）（方框28、40、42）。

中央处理单元10进一步利用前述分析的结果确定5分钟时隙窗口内的每个30秒时期可能是浅睡眠时期还是深睡眠时期。

如前所述，从两个时间序列中的每一个导出每个这种类型的变量。对应于呼吸作用、压力感受器、体温调节和荷尔蒙范围的频率范围是0.4—0.15 Hz（HF）、0.15—0.04 Hz（LF）、0.04—0.015 Hz（VLF）和0.015—0.005 Hz ULF）（Burgess等人2004）。

为了对每个特征进行组合和加权，我们执行2步骤算法。在考虑中，第一步骤是通过定义每个时期周围的±5分钟窗口来过滤每个特征，允许在该时期周围进行平滑化。此过滤器被定义为相邻过滤器（NF，Neighboring Filter）。通过选择使PSG分阶段和PAT导出的分阶段之间的差最小化的加权来进行第二步骤。在过滤之前和之后对每个特征检验其区分浅睡眠和深睡眠的程度。

可以如下写出总概率方程：

其中：

Y_est(n)是时期n是深睡眠时期的概率；

Xj(n)是时期n处的14个变量中的每一个的值；以及

W_jk是每K个变量的21过滤系数。

以分析方式计算权重以使识别过程中的误差最小化。可以用以下等式来表达最小化标准和权重计算方法：

其中，如果n时期是深的，则Y_actual是“1”，否则是“0”。

阶段估计Y_est与PSG阶段Y_actual之间最小均方误差（对应于每个时期的PSG睡眠阶段的长度N的矢量），

对49个睡眠研究的训练组执行优化。不是单独地使每个估计器（Wjk）优化，而是该算法使用单个水平的优化，其中，线性分类器作用于由针对每个变量的20个时期组成的扩大变量组。

测试所描述的实施例

主体

出于测试所描述的实施例的目的执行研究，在此研究中，研究组由两个单独的组组成：用来开发算法的训练组和用来确认算法的单独确认组。训练组由49个称为用于假定阻塞性睡眠呼吸暂停综合征（OSAS）评估的技术研究院睡眠障碍中心的49个成年病人（27个男性）和没有任何睡眠障碍、白天瞌睡或打鼾的任何疾病的另外6个健康年轻志愿者（3个男性）组成，通过海法的医学技术研究院中的广告来招募。健康的志愿者没有任何疾病且没有接收任何药物治疗。疑似OSAS病人的排除标准是：持久性起搏器，非窦性心脏病患者心律不齐，外围血管病变或神经病，严重的肺疾病，S/P双侧颈部或胸交感神经切除术，阻碍适当的传感器应用的手指畸形，α肾上腺素能受体阻滞剂（要求24小时冲洗周期），过去3年期间的酒精或药物滥用。

由44个成年人OSAS病人（30个男性）和10个健康年轻志愿者（8个男性）组成的确认组以与训练组相同的方式并根据相同的包括和排除标准招募。该研究经Rambam（瑞本）医学中心委员会批准用于人类主体的研究，并且病人在参与之前签署知情同意书。

训练和确认组在统计上在RDI、年龄、BMI减饱和指数、平均SAO2值、REM睡眠的深睡眠百分比的觉醒指数百分比和总睡眠时间（参见表格1）方面没有不同。

协议

所有参加者经历整晚多导睡眠监测（冰岛的Flaga HF，PSG，Embla（恩布拉）系统）和监视-PAT（WP）装置（以色列的Caesarea的Itamar－Medical LTD.）的同时记录。使用由WP生成且被记录在两个装置上的连续同步双电平信号使PSG和WP同步。然后使2组信号（一组来自于PSG且一组来自于WP）同步以补偿2个系统的内部时钟的差。同步时间的最终误差不超过20秒。到记录结束时，两个数据文件（在PSG中和监视PAT中）包括相同的同步信号，以及因此可以离线地使其准确对准以进行头对头比较。

在该研究之前，病人完成包括物理数据（例如体重和身高）、一般健康状况和病例、药物使用、睡眠习惯的睡眠问题调查。熄灯不迟于午夜，并且在06:00 AM开灯。测试的平均开始时间是11 PM±30分钟且测试结束是6:00±45分钟，并且平均持续时间是7.99±42 分钟。

该WP被附着于病人的主导手的前臂。PAT探针被安装在食指上且血氧测量探针在相邻的手指上。记录从熄灯开始并在同步模式下继续直至开灯为止。WP和PSG两者的数据质量非常好，并且所记录的信号对于该研究的约90％是有效的。

使用芝加哥标准针对呼吸暂停-呼吸不足指数对PSG文件进行计分。对于各阶段，将数据盲目地计分两次以估计记分器间变异性。用于阶段双计分的Kappa（卡帕）系数是0.83－根据Landis和Koch（1977）其被视为“近完美符合”。

实验室中WP记录

先前已描述了WP装置（Bar等人，2003；Hedner等人，2004；Margel等人，2003；Penzel等人，2004；Penzel等人，2004；Pillar等人，2003）。简要地，其包括由电池供电的腕式安装记录装置和用于所记录的PAT数据的获取后观看和分析的软件，所述记录的PAT数据是用记录动脉脉搏的专用手指探针导出的。它记录4个信号：PAT信号（动脉脉搏波幅）、从PAT信号导出的脉搏率、氧合血红蛋白饱和度和腕活动（从加速度计导出）。WP装置包含可再充电电源、初步信号调节硬件、100 Hz数据获取和可移动紧凑式闪盘上的数据存储。

实验室多导睡眠监测

所有主体经历标准的实验室中整夜PSG。所记录的信号包括：EEG（C4-A1、C3-A2、O2-A1和O1-A2）、EOG、颏下和双侧胫骨EMG、ECG、气流（鼻压力和热敏电阻）、胸和腹式呼吸运动（压电波段）、氧合血红蛋白饱和度、正气道压力和身体姿势。所有生理数据被收集并存储在数字多导睡眠监测系统（冰岛的Reykjavik，Flaga，Embla）上。手动地对PSG记录进行计分，记分者看不到PAT信号。根据标准的R & K标准在PSG上对睡眠盲目分阶段并应用更新的AASM可视计分工作组标准来将阶段3和4组合成一个深睡眠阶段（Rechtschaffen和Kales，1968；Silber等人，2007）。

PAT算法描述

该WP系统已经装配有在本文献中很好地描述的一组算法，其使用体动记录仪和PAT信号来检测睡眠、清醒和REM状态，和时期接时期的高分辨率性能（Hedner等人，2004；Herscovici等人，2007）。在当前研究中描述的新开发的算法被用来进一步分开非REM时期，并将它们分类成深或浅睡眠时期。体动记录仪仅用来区分睡眠和清醒时段且不用于REM、深睡眠阶段和浅睡眠阶段之间的睡眠时段内的区分，且都不是血氧定量仪。

从PAT信号振幅（AMP）时间序列和心率，即脉间时段（IPP）时间序列导出频域和时域两者中的一组14个归一化的变量（来自每个时间序列7个），并将其用来以上文相对于等式（1）和（2）所描述的方式确定所检测的特定时期可能是浅睡眠时期还是深睡眠时期。在提前30秒时期的5分钟滑动窗口内计算所有变量及它们的状况概率。

分析方法

通过将从训练组计算的加权系数应用于确认组来估计算法精确度。

使用Actigraph（体动记录仪）算法来分析PAT研究以使用先前描述的算法（Hedner等人，2004）将睡眠时段和清醒时段分开。使用先前所描述的REM算法来检测REM时段（Herscovici等人，2007）。然后，使用新开发的算法将非REM时段分开成深和浅睡眠时段。不使用血氧定量测量也不使用体动记录仪来区分深和浅。基于30秒时期接时期的比较来进行该比较。进行不同OSA重度组中的性能比较以示出该算法未被对PAT信号的OSA重度影响削弱。针对每个RDI组评估该算法性能，其中，每个RDI组分为轻微（0～20）、中等（20～40）和严重（大于40）。

使用来自用于训练的PSG时期的全部27,597（20,555个浅睡眠和7,042个深睡眠）和用于确认的24,383个（18,320个浅睡眠和6063个深睡眠）时期来测量总灵敏度特异性和一致性。还计算基于每个主体值的灵敏度特异性和一致性的平均值以及Kappa Cohen（卡帕科汉）一致性。

结果

训练数据组

图2示出了8个主贡献变量的归一化直方图，其中，每个相对分开。

在图2中，针对变量的分开直方图表明了最佳分开（在NF之后）。该最佳分开在左上面板中给出并沿顺时针方向减小。暗阴影区域表示深睡眠的完全分开。较浅的阴影区域表示浅睡眠的安全分开且两者之间的非阴影区表示未分开（两者重叠）。图示顶部上的值表示相对于深睡眠完全分开区域的未分开区域（较低的比意味着更好的分开）。

图4示出了针对深睡眠和浅睡眠的所有病人的组合数据的所有变量（14个变量）的组合直方图，并图示了在无过滤的情况下的分开，并且图5示出了包括NF的分开。经过滤的数据将阶段之间的分开在灵敏度方面改善2％且在特异性方面改善8％。在没有过滤器的情况下，灵敏度/特异性分别是72％和77％（阈值-0.325）。通过添加过滤器，当选择交叉点处的阈值（阈值-.2）时，灵敏度和特异性增加至74％和85％。

最后一个步骤是选择用于临床应用的阈值。选择该阈值是为了使ROC曲线上的总特异性上调至约90％。阈值（0.1）对于整个训练组而言，所选择的一个在训练组中产生分别为66％、89％和82％的灵敏度、特异性和一致性值。灵敏度特异性和一致性的每个主体平均值对于整个训练组而言分别是（63%±89%±0.83±），Kappa Cohen系数是0.52（中等一致性），每组中的Kappa平均病人的平均值对于轻、中等和严重RDI组而言分别是（0.52±0.17、0.56±0.20和0.55±0.28）。

图6示出被分为RDI种类的所有训练组的总一致性。可以看到在严重、轻微和中等OSA病人组之间不存在相当大的差异。图7中所示的Bland Altman图未显示出结果上的偏移和系统误差。

确认数据组

为了评估算法的精确性，将其在44个研究的单独确认组上进行测试，反映大范围的睡眠呼吸暂停严重程度。整个确认组显示出分别为65％、87％和80％的灵敏度特异性和一致性值。所有病人的灵敏度特异性和一致性的平均值分别是56％、87％和81％。针对该训练组的总灵敏度、特异性和一致性值分别处于66％、89％和82%，是非常类似的。对于整个确认组而言，进行PSG的整夜深睡眠的百分比的相关性是R=0.51 (P<0.05)。对于整个确认组而言，灵敏度特异性和一致性的每个主体平均值分别是（56%±87%±0.81±），Kappa Cohen系数是0.57（中等一致性）。每个组中的Kappa平均病人的平均值对于轻、中等和严重RDI组而言分别是（0.46±0.19、0.42±0.1和0.54±0.3）。

图8示出了被分为RDI种类的所有训练组的总一致性。可以看到在严重、轻微和中等OSA病人组之间不存在相当大的差异。

图9示出了用于确认组的百分比深睡眠的Bland Altman图。在百分比深睡眠中不存在系统误差。

上述评估显示了基于PAT信号或其它已知外围脉搏信号的所描述算法能够检测浅和深睡眠阶段。与先前已知算法一起用来检测睡眠/清醒、非REM和REM睡眠，例如，如在上文引用的其在先专利中所描述的，可以相信本发明的方法和设备使得能够在没有通常只能在睡眠实验室中获得的诸如EEG传感器之类的特殊设备的情况下提供全面的睡眠阶段评估。

虽然已经相对于一个优选实施例描述了本发明，但应认识到这仅仅是出于示例的目的而阐述的，并且可以进行本发明的许多变更、修改及其它应用。

参考文献

Aydin, M., Altin, R., Ozeren, A., Kart, L., Bilge, M., 和 Unalacak, M. (2004). Cardiac autonomic activity in obstructive sleep apnea: time-dependent and spectral analysis of heart rate variability using 24-hour Holter electrocardiograms. Tex Heart Inst J31, 132-6.

Bar, A., Pillar, G., Dvir, L, Sheffy, J., Schnall, R. P., 和 Lavie, P. (2003). Evaluation of a portable device based on peripheral arterial tone for unattended home sleep studies. Chest123, 695-703.

Berlad, I. L, Shlitner, A., Ben-Haim, S., 和 Lavie, P. (1993). Power spectrum analysis and heart rate variability in Stage 4 and REM sleep: evidence for state- specific changes in autonomic dominance. J Sleep Res2, 88-90.

Bonnet, M. H., 和 Arand, D. L. (1997). Heart rate variability: sleep stage, time of night, and arousal influences. Electroencephalogr Clin Neurophysiol102, 390-6.

Brandenberger, G., Ehrhart, J., 和 Buchheit, M. (2005). Sleep stage 2: an electroencephalographic, autonomic, and hormonal duality. Sleep28, 1535-40.

Brooks, D., Horner, R. L., Floras, J. S., Kozar, L. F., Render-Teixeira, C. L., 和Phillipson, E. A. (1999). Baroreflex control of heart rate in a canine model of obstructive sleep apnea. Am J Respir Crit Care Med159, 1293-7.

Burgess, H. J., Trinder, J., 和 Kim, Y. (1999). Cardiac autonomic nervous system activity during presleep wakefulness and stage 2 NREM sleep. J Sleep Res8,113-22.

Burgess HJ, Penev PD, Schneider R, Van Cauter E. Estimating cardiac autonomic activity during sleep: impedance cardiography, spectral analysis, and Poincare plots. Clin Neurophysiol 2004; 115: 19-28.

Busek, P., Vankova, J., Opavsky, J., Salinger, J., 和 Nevsimalova, S. (2005).Spectral analysis of the heart rate variability in sleep. Physiol Res54, 369-76.

Chesson, A. L. J., Berry, R. B., 和 Pack, A. (2003). American Academy of Sleep Medicine; American Thoracic Society; American College of Chest Physicians. Practice parameters for the use of portable monitoring devices in the investigation of suspected obstructive sleep apnea in adults. Sleep23, 907-13.

Collop, N. A. (2002). Scoring variability between polysomnography technologists in different sleep laboratories. Sleep Med3, 43-7.

Dvir, I., Adler, Y., Freimark, D., 和 Lavie, P. (2002). Evidence for fractal correlation properties in variations of peripheral arterial tone during REM sleep. Am J Physiol Heart Circ Physiol 283, H434-9.

Elsenbruch, S., Harnish, M. J., 和 Orr, W. C. (1999). Heart rate variability during waking and sleep in healthy males and females. Sleep22, 1067-71.

Ferri, R., Parrino, L., Smerieri, A., Terzano, M. G., Elia, M., Musumeci, S. A., and Pettinato, S. (2000). Cyclic alternating pattern and spectral analysis of heart rate variability during normal sleep. J Sleep Res9, 13-8.

Flemons, W. W., Littner, M. R., Rowley, J. A., Gay, P., Anderson, W. M., Hudgel, D.W., McEvoy, R. D., 和 Loube, D. I. (2003). Home diagnosis of sleep apnea: a systematic review of the literature. An evidence review cosponsored by the American Academy of Sleep Medicine, the American College of Chest Physicians, and the American Thoracic Society. Chest124, 1543-79.

Futuro-Neto, H. A., 和 Coote, J. H. (1982). Changes in sympathetic activity to heart and blood vessels during desynchronized sleep. Brain Res252, 259-68.

Hedner, J., Pillar, G., Pittman, S. D., Zou, D., Grote, L., 和White, D. P. (2004). A novel adaptive wrist actigraphy algorithm for sleep-wake assessment in sleep apnea patients. Sleep27, 1560-6.

Herscovici, S., Pe'er, A., Papyan, S., 和Lavie, P. (2007). Detecting REM sleep from the finger: an automatic REM sleep algorithm based on peripheral arterial tone(PAT) and actigraphy. Physiol Meas28, 129-40.

Hornyak, M., Cejnar, M., Elam, M., Matousek, M., 和Wallin, B. G. (1991). Sympathetic muscle nerve activity during sleep in man. Brain114 (Pt 3), 1281-95.

Jo, J. A., Blasi, A., Valladares, E., Juarez, R., Baydur, A., 和Khoo, M. C. (2005). Determinants of heart rate variability in obstructive sleep apnea syndrome during wakefulness and sleep. Am J Physiol Heart Circ Physiol288, H1103-12.

Kirby, D. A., 和 Verrier, R. L. (1989). Differential effects of sleep stage on coronary hemodynamic function. Am J Physiol256, H1378-83.

Kodama, Y., Iwase, S., Mano, T., Cui, J., Kitazawa, H., Okada, H., Takeuchi, S., 和Sobue, G. (1998). Attenuation of regional differentiation of sympathetic nerve activity during sleep in humans. J Auton Nerv Syst74, 126-33.

Lavie, P., Pillar, G., 和Malhotra, A. (2002). Sleep Disorders: Diagnosis and Treatment. A handbook for the clinicianMartin Dunitz L.T.D., London.

Lavie, P., Schnall, R. P., Sheffy, J., 和 Shlitner, A. (2000). Peripheral vasoconstriction during REM sleep detected by a new plethysmographic method. Nat Med6, 606.

Levy, P., 和 Pepin, J. L. (2003). Sleep fragmentation: clinical usefulness of autonomic markers. Sleep Med4, 489-91.

Liguori, R., Donadio, V., Foschini, E., Di Stasi, V., Plazzi, G., Lugaresi, E., 和Montagna, P. (2000). Sleep stage-related changes in sympathetic sudomotor and vasomotor skin responses in man. Clin Neurophysiol111, 434-9.

Malhotra, A., 和White, D. P. (2002). Obstructive sleep apnoea. Lancet 360, 237-45.

Margel, D., White, D. P., 和Pillar, G. (2003). Long-term intermittent exposure to high ambient CO2 causes respiratory disturbances during sleep in submariners.Chest124, 1716-23.

Monti, A., Medigue, C., Nedelcoux, H., 和Escourrou, P. (2002). Autonomic control of the cardiovascular system during sleep in normal subjects. Eur J Appl Physiol87, 174-81.

Narkiewicz, K., Montano, N., Cogliati, C., van de Borne, P. J., Dyken, M. E., 和Somers, V. K. (1998). Altered cardiovascular variability in obstructive sleep apnea. Circulation 98, 1071-7.

Narkiewicz, K., 和Somers, V. K. (1997). The sympathetic nervous system and obstructive sleep apnea: implications for hypertension. J Hypertens15, 1613-9.

Narkiewicz, K., van de Borne, P. J., Cooley, R. L., Dyken, M. E., 和Somers, V. K.(1998). Sympathetic activity in obese subjects with and without obstructive sleep apnea. Circulation98, 772-6.

Negoescu, R. M., 和Csiki, I. E. (1989). Autonomic control of the heart in some vagal maneuvers and normal sleep. Physiologie 26, 39-49.

Noll, G., Elam, M., Kunimoto, M., Karlsson, T., 和Wallin, B. G. (1994). Skin sympathetic nerve activity and effector function during sleep in humans. Acta Physiol Scand151, 319-29.

Norman, R. G., Pal, I., Stewart, C., Walsleben, J. A., 和Rapoport, D. M. (2000).Interobserver agreement among sleep scorers from different centers in a large dataset. Sleep23, 901-8.

Okada, H., Iwase, S., Mano, T., Sugiyama, Y., 和Watanabe, T. (1991). Changes in muscle sympathetic nerve activity during sleep in humans. Neurology41, 1961-6.

Penzel, T., Bunde, A., Grote, L., Kantelhardt, J. W., Peter, J. H., 和Voigt, K. (2000).Heart rate variability during sleep stages in normals and in patients with sleep apnea. Stud Health Technol Inform77, 1256-60.

Penzel, T., Kantelhardt, J. W., Grote, L., Peter, J. H., 和Bunde, A. (2003).Comparison of detrended fluctuation analysis and spectral analysis for heart rate variability in sleep and sleep apnea. IEEE Trans Biomed Eng 50, 1143-51.

Penzel, T., Kesper, K., Pinnow, I., Becker, H. F., 和Vogelmeier, C. (2004).Peripheral arterial tonometry, oximetry and actigraphy for ambulatory recording of sleep apnea. Physiol Meas 25, 1025-36.

Penzel, T., Kesper, K., Ploch, T., Becker, H. F., 和Vogelmeier, C. (2004). Ambulatory recording of sleep apnea using peripheral arterial tonometry. Conf Proc IEEE Eng Med Biol Soc5, 3856-9.

Pepin, J. L., Veale, D., 和Levy, P. A. (1994). Heart rate variability during sleep in snorers with and without obstructive sleep apnea. Chest105, 1300-1.

Pillar, G., Bar, A., Betito, M., Schnall, R. P., Dvir, I., Sheffy, J., 和Lavie, P. (2003).An automatic ambulatory device for detection of AASM defined arousals from sleep: the WPl00. Sleep Med4, 207-12.

Pillar, G., Malhotra, A., Fogel, R. B., Beauregard, J., Slamowitz, D. L, Shea, S. A., 和White, D. P. (2000). Upper airway muscle responsiveness to rising PCO(2) during NREM sleep. JAppl Physiol89, 1275-82.

Pressman, M. R., 和Fry, J. M. (1989). Relationship of autonomic nervous system activity to daytime sleepiness and prior sleep. Sleep 12, 239-45.

Rechtschaffen, A., 和Kales, A. (1968). A manual of standardized terminology, techniques and scoring system for sleep stages of human subjects. Los Angeles:Brain Information Service/Brain Research Institute.

Silber, M. H., Ancoli-Israel, S., Bonnet, M. H., Chokroverty, S., Grigg-Damberger,M. M., Hirshkowitz, M., Kapen, S., Keenan, S. A., Kryger, M. H., Penzel, T.,Pressman, M. R., and Iber, C. (2007). The visual scoring of sleep in adults. J Clin Sleep Med3, 121-31.

Somers, V. K., Dyken, M. E., Mark, A. L., 和Abboud, F. M. (1993). Sympathetic- nerve activity during sleep in normal subjects. N Engl J Med328, 303-7.

Svetnik, V., Ma, J., Soper, K. A., Doran, S., Renger, J. J., Deacon, S., 和Koblan, K.S. (2007). Evaluation of automated and semi-automated scoring of polysomnographic recordings from a clinical trial using Zolpidem in the treatment of insomnia. Sleep 30, 1562-74.

Takeuchi, S., Iwase, S., Mano, T., Okada, H., Sugiyama, Y., 和Watanabe, T.(1994). Sleep-related changes in human muscle and skin sympathetic nerve activities. J Auton Nerv Syst47, 121-9.

Trinder, J., Kleiman, J., Carrington, M., Smith, S., Breen, S., Tan, N., 和Kim, Y.(2001). Autonomic activity during human sleep as a function of time and sleep stage. J Sleep Res10, 253-64.

Villa, M. P., Calcagnini, G., Pagani, J., Paggi, B., Massa, F., 和Ronchetti, R. (2000).Effects of sleep stage and age on short-term heart rate variability during sleep in healthy infants and children. Chest117, 460-6.

Virtanen, I., Ekholm, E., Polo-Kantola, P., 和Huikuri, H. (2007). Sleep stage dependent patterns of nonlinear heart rate dynamics in postmenopausal women. Auton Neurosci134, 74-80.