睡眠呼吸暂停综合征监测新突破：基于双模态可穿戴设备与深度学习的高精度低功耗系统
一、 研究团队、期刊与发表时间
本研究由来自中国医学科学院北京医院、中国科学院北京纳米能源与系统研究所、北京理工大学、中国科学技术大学等多个顶尖机构的科研人员共同完成。主要作者包括 Jia Wang、Jiangtao Xue、Yang Zou、Yuxin Ma、Junhan Xu、Yanming Li、Fei Deng、Yiqian Wang、Kai Xing、Zhou Li 和 Tong Zou。通讯作者为 Yang Zou、Kai Xing、Zhou Li 和 Tong Zou。该研究成果以题为《A Dual-Modal Wearable Pulse Detection System Integrated with Deep Learning for High-Accuracy and Low-Power Sleep Apnea Monitoring》的研究论文形式，发表于 Advanced Science 期刊，于2025年在线发表。
二、 学术背景与研究目标
1. 研究领域与问题： 本研究属于生物医学工程、可穿戴健康监测设备及人工智能交叉领域，聚焦于睡眠呼吸暂停综合征（Sleep Apnea Syndrome, SAS） 的无创、长期监测技术。SAS，尤其是阻塞性睡眠呼吸暂停（OSA），是一种常见的睡眠呼吸障碍，与心血管疾病、代谢疾病风险显著增加相关，但全球超过80%的患者未被诊断和治疗。当前SAS诊断的“金标准”是多导睡眠监测（Polysomnography, PSG），但其成本高昂、操作复杂、需在专业睡眠实验室进行，且可能干扰患者睡眠，限制了其在大规模筛查和长期动态监测中的应用。
2. 研究背景与动机： 近年来，基于光电容积脉搏波描记法（Photoplethysmography, PPG） 的可穿戴设备在SAS检测中展现出潜力，但其连续工作功耗高，阻碍了长期监测能力。另一方面，压电纳米发电机（Piezoelectric Nanogenerator, PENG） 因其对机械信号的高灵敏度和自供电特性，在生理信号监测中具有独特优势，但此前尚未被用于基于脉搏压力波的睡眠呼吸暂停检测。因此，开发一种能够平衡高精度与低功耗、适合长期家庭监测的SAS检测系统具有重要的临床需求。
3. 研究目标： 本研究旨在设计并验证一种新型的双模态可穿戴脉搏检测系统，该系统集成了PENG和PPG传感器，并采用仿生指尖结构。核心目标是实现一种两阶段检测策略：利用自供电的PENG进行持续、低功耗的初步筛查，仅在检测到可疑事件时才激活高精度的PPG传感器进行精确诊断。结合基于视觉变换器（Vision Transformer, ViT） 的深度学习模型，旨在同时实现接近PSG水平的高检测精度和显著降低的系统功耗，为SAS的家庭筛查、临床诊断和治疗效果评估提供一种实用化解决方案。
三、 详细研究流程与方法
本研究是一项系统的技术开发与临床验证工作，主要流程包括硬件系统设计与制备、传感器性能表征、生理信号机制分析、深度学习模型构建与训练，以及最终的集成系统应用验证。
1. 双模态可穿戴脉搏检测系统的设计与制备： * 设计理念： 受中医脉诊启发，设计了一种腕戴式设备，采用C形夹持结构和仿生指尖（半球形）硅胶弹性层，模拟手指按压桡动脉的过程，确保传感器与皮肤稳定接触，减少运动伪影。 * 硬件组成： * 力施加装置： C形夹，内置弹簧作为自适应张力调节器，提供稳定压力。 * 弹性层： 由Ecoflex-30制成，包含模量匹配层和半球形指尖结构。 * 传感模块： * 脉搏压力波（Pulse Pressure Wave, PPW）传感单元： 采用指纹状图案的聚偏氟乙烯（PVDF）薄膜作为PENG传感器，贴合于半球形结构上，用于高灵敏度监测血管壁的机械形变（脉搏压力波）。 * PPG传感单元： 将PPG探头（MAX30102）嵌入指尖状半球结构的表面，用于监测血氧饱和度（SpO2）和容积脉搏波。 * 通信模块： 包括锂电池和信号采集电路，支持PPW和PPG信号的连续采集与无线传输。 * 两阶段检测策略： 第一阶段，低功耗PENG传感器进行24小时连续脉搏压力波监测；当其检测到疑似呼吸暂停事件（如脉搏波幅度或节律异常）时，系统触发进入第二阶段，激活PPG传感器进行2分钟的高精度数据采集（包括SpO2和PPG波形）。据估算，此策略使系统总功耗从PPG持续工作时的约74 mW降至约57 mW，降低了约23%。
2. 系统与传感器的性能表征： * 有限元仿真： 使用COMSOL Multiphysics软件对不同曲率半径的弧形结构进行力学和电场仿真，确定5毫米曲率半径的半球结构在相同外力下能产生最高的表面电势（灵敏度），从而优化传感器设计。 * 机电响应测试： 使用数字拉力计和示波器等设备，验证了带有指纹状PVDF的传感器在不同接触角度下比无图案传感器具有更稳定的输出，证明了其鲁棒性。对PENG传感器进行了超过60,000次循环的疲劳测试，输出性能保持稳定，证明了其长期监测的可靠性。 * 环境与稳定性测试： 测试了PENG传感器在不同湿度（20%-100%）、温度（20-40°C）以及模拟出汗条件下的性能，结果显示输出变化极小。对存放三个月的传感器进行测试，性能未出现明显退化。 * PPG传感器表征： 测试了PPG在不同性别、体重受试者上的表现，验证了接触角度和环境光对信号的影响，并通过对臂动脉进行临时阻断和释放，验证了其SpO2和脉搏波监测的可靠性。
3. SAS生理机制与信号特征分析： * 研究对象与数据： 研究数据基于北京医院PSG实验室数据库。用于训练高精度模型的数据来自2024年6月1日至9月25日期间的患者。经过筛选，最终数据集包含来自正常组（AHI ≤ 5，8名受试者）和重度OSAS组（AHI ≥ 30，19名受试者）的共7300个2分钟数据段（每组3650段）。用于验证两阶段模型的数据来自另外15名患者。 * 信号变化机制： 通过对比正常呼吸和OSAS事件期间的PSG信号（鼻气流、血氧等）、PPW信号和PPG信号，详细阐述了SAS事件引起的生理变化如何在传感信号上体现： * 正常呼吸： 气道通畅，生理信号稳定。PPW和PPG波形规律，时频特征稳定。 * 呼吸暂停事件： 气道阻塞导致血氧下降，引发交感神经过度激活，外周血管阻力增加，血压升高，心率变异性改变。在信号上表现为：PSG监测的血氧饱和度（SpO2）在事件开始后10-20秒逐渐下降；PENG检测到的桡动脉振动幅度下降超过50%；PPG信号幅度降低（30-50%），波形特征改变（如重搏波延迟）。时频分析显示信号频谱特征发生显著改变。
4. 基于深度学习的智能诊断模型开发： * 数据预处理与划分： 使用PSG结果对数据段进行“患有SAS”或“未患SAS”的标注。数据集以10折交叉验证的方式随机划分为训练集、验证集和测试集（比例7:2:1）。 * 模型对比： 本研究探索了四种机器学习建模方法：逻辑回归（LR）、支持向量机（SVM）、极限梯度提升（XGBoost）和视觉变换器（ViT）。前期使用SHAP值分析发现，基于血氧和峰峰间距的低维统计特征对分类的贡献有限。 * ViT模型架构： 采用ViT深度学习模型处理PPW、PPG和SpO2输入信号。模型将输入信号分割成块（Patch），加入位置编码和可学习的类别嵌入，通过Transformer编码器（包含多头注意力机制、归一化和多层感知机层）来捕获信号中复杂的时空依赖关系和高维特征，最终通过MLP头部输出分类结果（“SAS”或“正常”）。 * 模型配置与评估： * 高精度模型： 仅使用PPG和SpO2数据进行训练和评估。 * 高灵敏度模型： 仅使用PPW数据进行训练和评估。 * 两阶段模型： 模拟实际应用流程，先用高灵敏度模型（基于PPW）进行初筛，对判为“可疑”的事件再用高精度模型（基于PPG+SpO2）进行确认。 * 评估指标： 使用准确率（Accuracy）、灵敏度（Sensitivity）、特异性（Specificity）和受试者工作特征曲线下面积（AUC）等指标全面评估模型性能。
四、 主要研究结果
1. 传感器与系统性能结果： * 有限元仿真和机械测试均证实，曲率半径为5毫米的仿生指尖结构具有最佳的机电响应性能。 * 指纹状PVDF传感器在不同接触角度下输出更稳定，证明了其在实际佩戴中的优势。 * PENG传感器在0.5-2 Hz（对应睡眠心率范围）的频率范围内输出幅度稳定，响应/恢复时间为50 ms，满足脉搏波跟踪需求。 * 长期疲劳测试、环境测试和老化测试均表明PENG传感器具备优异的稳定性和可靠性，适合长期监测。 * PPG传感器测试表明，其信号质量受接触角度和环境光影响，强调了设备结构设计（确保垂直紧密接触）及其在夜间睡眠监测中应用的适宜性。
2. 深度学习模型性能结果： * 传统模型对比： LR、SVM和XGBoost等传统机器学习模型的检测准确率均低于ViT模型（详细数据见论文附表S2-S4）。 * ViT模型卓越性能： * 高精度模型（基于PPG+SpO2）： 取得了极高的性能指标：特异性0.9973，灵敏度0.9945，准确率0.9959，AUC 0.9982。这表明该模型能极其精确地区分正常与异常信号。 * 高灵敏度模型（基于PPW）： 灵敏度高达0.9341，表明其捕捉异常事件的能力很强，但特异性较低（0.5417），总体准确率为0.6857。这符合其作为“筛查触发器”的定位，旨在尽可能不漏报可疑事件。 * 两阶段模型（PPW+PPG）： 综合性能优异：特异性0.9635，灵敏度0.9251，准确率0.9495，AUC 0.9857。这一结果证明，两阶段策略在保持高检测精度（94.95%）的同时，成功实现了系统功耗的优化。
3. 双模态系统应用验证结果： * 通过连续5小时的临床患者数据采集，展示了系统在实际监测中能够捕捉到典型的呼吸暂停事件相关的PPW和PPG信号特征变化。 * 研究提出了该系统在三种场景下的应用路径： * 家庭监测： 用于有症状人群的初步非侵入性筛查。 * 医院监测： 作为PSG检查的前置工具，快速识别高危患者，优化医疗资源分配。 * 持续健康管理： 用于评估持续气道正压通气（CPAP）等治疗方法的疗效，进行长期动态监测。
五、 研究结论与价值
本研究成功开发并验证了一种集成PENG和PPG传感器的双模态可穿戴脉搏检测系统，结合仿生结构设计与ViT深度学习模型，为SAS的长期、高精度、低功耗监测提供了一种创新的解决方案。
1. 科学价值： * 方法创新： 首次将自供电的PENG传感器应用于基于脉搏压力波的SAS检测，开辟了通过血管壁机械形变直接、即时反馈来识别呼吸事件的新途径，与PPG的光学容积检测原理形成互补。 * 策略创新： 提出的“PENG持续筛查 + PPG按需激活”两阶段检测策略，巧妙地解决了可穿戴设备“高精度”与“低功耗”之间的矛盾，为其他需要长期监测的生理参数检测提供了可借鉴的系统设计范式。 * 算法创新： 证明了基于ViT的深度学习模型在处理PPG/PPW等高维生理时序信号用于SAS检测方面的优越性，其性能显著超越基于低维统计特征的传统机器学习方法。
2. 应用价值： * 临床诊断辅助： 该系统性能接近PSG（准确率94.95%-99.59%），但具有便携、舒适、低成本和可家庭使用的巨大优势，有望成为PSG的有效补充或前置筛查工具，提高SAS的早期诊断率。 * 健康管理革新： 使长期、动态的家庭睡眠呼吸监测成为可能，不仅可用于疾病筛查，还可用于治疗（如CPAP）效果的持续评估和患者依从性管理。 * 技术推广潜力： 系统的腕戴式设计、低功耗和无线传输特性，符合当前可穿戴健康设备的发展趋势，具有良好的用户接受度和市场化前景。
六、 研究亮点
七、 其他有价值的内容
研究还详细讨论了PENG传感器所测的脉搏率变异性（PRV）与基于心电图的心率变异性（HRV）之间的强相关性（R² = 0.9936），为其作为HRV替代指标评估睡眠期间自主神经功能提供了依据。同时，作者也客观指出了当前研究的局限性，即未能区分SAS的不同亚型（如OSA与CSA）。未来的工作将聚焦于通过大规模临床试验优化算法，并可能集成更多生物传感器以评估睡眠质量等相关健康参数。这些讨论体现了研究的严谨性和前瞻性。