分析睡眠呼吸障碍事件的系统和方法

相关申请的交叉引用

本公开要求于2018年9月17日递交的美国临时申请第62/732490号的权益和优先权，其全部内容通过引用合并于此。

技术领域

本公开涉及睡眠分析，更具体地，涉及分析睡眠期间的睡眠呼吸障碍事件。

背景技术

总人口中至少有百分之五的人患有医学上显著的睡眠障碍，最常见的睡眠障碍是睡眠呼吸障碍(也称为睡眠呼吸暂停)。作为主要的公共健康问题，睡眠障碍会导致白天过度嗜睡，并带来驾驶事故、高血压、心脏病、中风、抑郁和/或注意力不足障碍等相关风险。在某些人群中，例如患有肥胖、充血性心力衰竭、糖尿病和/或肾功能衰竭的人，睡眠障碍的患病率要高得多(超过百分之三十)。

现有的用于检测睡眠呼吸障碍的常规诊断系统提供了简单、廉价和可重复的测量方法，以检测各种干扰睡眠的刺激(如噪音、疼痛、药物、情绪障碍、呼吸障碍)的存在以及其对睡眠状态生理和稳定性的影响。全多导睡眠监测仪是常规睡眠诊断系统的一个例子。多导睡眠监测仪被认为是检测和量化睡眠呼吸障碍的参考标准，包括睡眠分期、呼吸异常评分(如呼吸暂停、低通气、气流受限、周期性呼吸和去饱和期)和肢体动作。睡眠障碍严重程度的各种指标包括睡眠碎片化指数、呼吸暂停-低通气指数、呼吸紊乱指数、唤醒频率或指数和/或氧去饱和度指数。例如，呼吸暂停-低通气指数(Apnea-Hypopnea Index，简称AHI)用于确定每小时发生呼吸暂停或低通气事件的次数。通过将评分与定义的阈值进行比较，可以将呼吸暂停-低通气指数解释为严重程度指数，其意味着患病率越高表示病情越严重。

人们对进一步开发和改进用于分析睡眠呼吸障碍事件的类型、患病率和/或严重程度的技术是感兴趣的。

发明内容

本公开提供了睡眠评估的方法和系统。根据本公开的一些方面，该方法包括：获取氧饱和度数据，该氧饱和度数据包括在一个时间段内人的氧饱和度测量值；基于所述氧饱和度数据，确定所述人在所述时间段内的呼吸障碍事件；获取所述人在睡眠期间的心肺耦合数据，其中，所述心肺耦合数据与所述时间段内的所述氧饱和度数据在时间上相关；以及基于与所述呼吸障碍事件在时间上相对应的所述心肺耦合数据，确定每个呼吸障碍事件的心肺耦合事件的类型。

在该方法的各种实施例中，所述方法还包括：基于所述氧饱和度数据，确定所述事件为睡眠呼吸障碍事件。

在该方法的各种实施例中，确定所述呼吸障碍事件包括：通过在所述氧饱和度数据中的第一氧饱和度测量值和第二氧饱和度测量值之间的下降，识别潜在呼吸障碍事件的开始，其中，所述第二氧饱和度测量值在时间上晚于所述第一氧饱和度测量值；以及通过至少一个条件验证所述潜在呼吸障碍事件。

在该方法的各种实施例中，所述条件包括以下中的至少一个：连续的氧饱和度测量值在预定的平稳持续时间内保持不变、连续的氧饱和度测量值在预定的增长持续时间内保持增长、从所述潜在呼吸障碍事件开始，达到预定的持续时间限度、连续的氧饱和度测量值的氧去饱和率超过预定的去饱和度限度、或者遇到无效的氧饱和度测量值，其中，所述连续的氧饱和度测量值在时间上晚于所述第二氧饱和度测量值。在该方法的各种实施例中，验证所述潜在呼吸障碍事件包括：评估所述条件中的全部条件，以确定所述条件中的任意一个条件是否被满足。在该方法的各种实施例中，所述预定的增长持续时间为1秒。

在该方法的各种实施例中，确定所述呼吸障碍事件包括：确定所述潜在呼吸障碍事件的开始和结束之间的所述潜在呼吸障碍事件的持续时间；确定在所述潜在呼吸障碍事件的持续时间内的氧去饱和幅度；以及将所述潜在呼吸障碍事件记录为所述呼吸障碍事件之一。在该方法的各种实施例中，所述方法包括：当所述潜在呼吸障碍事件的持续时间等于或超过预定的最小持续时间，以及所述持续时间内的所述氧去饱和幅度等于或超过预定的最小氧去饱和幅度时，将所述潜在呼吸障碍事件记录为所述呼吸障碍事件之一。

在该方法的各种实施例中，针对已记录的呼吸障碍事件，所述方法包括记录所述已记录的呼吸障碍事件的持续时间和氧去饱和幅度。

在该方法的各种实施例中，确定所述呼吸障碍事件包括：通过所述氧饱和度数据中的SO

在该方法的各种实施例中，确定所述呼吸障碍事件还包括：忽略低于预定的最小SO

在该方法的各种实施例中，当连续的SO

在该方法的各种实施例中，所述方法包括：将所述潜在呼吸障碍事件记录为所述呼吸障碍事件之一；以及将所述潜在呼吸障碍事件分类为一个类别。类别可以包括：显著下降事件、低于临界值事件和/或显著下降并低于临界值事件，在所述显著下降事件中所述持续时间内的所述SO

在该方法的各种实施例中，所述方法包括：获取所述人的心率周期性变化数据；结合所述心肺耦合数据和所述心率周期性变化数据，以提供心肺耦合-心率周期性变化(CPC-CVHR)数据，其中，所述心肺耦合-心率周期性变化数据与所述时间段内的所述氧饱和度数据在时间上相关；以及基于与所述呼吸障碍事件在时间上相对应的所述心肺耦合-心率周期性变化数据，确定每个呼吸障碍事件的心肺耦合-心率周期性变化事件的类型。

在该方法的各种实施例中，确定每个呼吸障碍事件的心肺耦合-心率周期性变化事件的类型包括：针对每个呼吸障碍事件，从以下组中选择一种心肺耦合-心率周期性变化事件的类型：无心率周期性变化的高频耦合(HFC)、具有心率周期性变化的高频耦合(HFC

在该方法的各种实施例中，确定每个呼吸障碍事件的心肺耦合-心率周期性变化事件的类型包括：针对每个呼吸障碍事件，从以下组中选择一种心肺耦合-心率周期性变化事件的类型：无心率周期性变化的高频耦合(HFC)、具有心率周期性变化的高频耦合(HFC

在该方法的各种实施例中，所述方法包括：确定以下事件类型中的每种事件类型的事件的总数：无心率周期性变化的高频耦合(HFC)、具有心率周期性变化的高频耦合(HFC

在该方法的各种实施例中，所述方法包括：基于所述呼吸障碍事件的总数，确定睡眠障碍患病率测量值；基于所述呼吸障碍事件在所述事件类型中的分布，确定睡眠障碍严重程度测量值，所述分布基于每种事件类型的所述事件的总数；以及基于所述睡眠障碍患病率测量值和所述睡眠障碍严重程度测量值，确定睡眠呼吸暂停的测量值。

在该方法的各种实施例中，所述方法包括：针对每种事件类型，确定所述事件类型中的事件的平均去饱和幅度以及所述事件类型中的事件的平均去饱和率；获取幅度阈值和比率阈值；以及通过比较每种事件类型的所述平均去饱和幅度与所述幅度阈值和比较每种事件类型的所述平均去饱和率与所述比率阈值，确定所述人是否经历了低通气或呼吸暂停。

在该方法的各种实施例中，还基于所述呼吸障碍事件的总持续时间、所述呼吸障碍事件的平均氧饱和度和所述呼吸障碍事件在所述事件类型中的分布中的至少一个来确定所述人是否经历了低通气或呼吸暂停。

根据本公开的一些方面，一种睡眠评估系统包括：一个或多个处理器；以及至少一个存储有指令的存储器，当所述指令被所述一个或多个处理器执行时，使所述系统：获取氧饱和度数据，所述氧饱和度数据包括在一个时间段内人的氧饱和度测量值；基于所述氧饱和度数据，确定所述人在所述时间段内的呼吸障碍事件；获取所述人的心肺耦合与心率周期性变化(心肺耦合-心率周期性变化)数据，其中，所述心肺耦合-心率周期性变化数据与所述时间段内的所述氧饱和度数据在时间上相关；以及基于与所述呼吸障碍事件在时间上相对应的所述心肺耦合-心率周期性变化数据，确定每个呼吸障碍事件的心肺耦合-心率周期性变化事件的类型。

根据本公开的一些方面，一种睡眠评估系统，包括：一个或多个处理器；以及至少一个存储有指令的存储器，当所述指令被所述一个或多个处理器执行时，使所述系统：获取氧饱和度数据，所述氧饱和度数据包括在一段时间内人的氧饱和度测量值；基于所述氧饱和度数据，确定所述人在所述时间段内的呼吸障碍事件；获取所述人在睡眠期间的心肺耦合数据，其中，所述心肺耦合数据与所述时间段内的所述氧饱和度数据在时间上相关；以及基于与所述呼吸障碍事件在时间上相对应的所述心肺耦合数据，确定每个呼吸障碍事件的心肺耦合事件的类型。

在该系统的各种实施例中，当所述指令被所述处理器执行时，进一步使所述系统：基于所述氧饱和度数据，确定所述呼吸障碍事件为睡眠呼吸障碍事件。

在该系统的各种实施例中，在确定所述呼吸障碍事件中，当所述指令被所述处理器执行时，使所述系统：通过所述氧饱和度数据中的第一氧饱和度测量值和第二氧饱和度测量值之间的下降，识别潜在呼吸障碍事件的开始，其中，所述第二氧饱和度测量值在时间上晚于所述第一氧饱和度测量值；以及通过至少一个条件验证所述潜在呼吸障碍事件。

在该系统的各种实施例中，所述条件包括以下中的至少一个：连续的氧饱和度测量值在预定的平稳持续时间内保持不变、连续的氧饱和度测量值在预定的增长持续时间内保持增长、从所述潜在呼吸障碍事件开始，达到预定的持续时间限度、连续的氧饱和度测量值的氧去饱和率超过预定的去饱和度限度、或者遇到无效的氧饱和度测量值，其中，所述连续的氧饱和度测量值在时间上晚于所述第二氧饱和度测量值。在该方法的各种实施例中，在验证所述潜在呼吸障碍事件中，当所述指令被所述处理器执行时，使所述系统：评估所述条件中的全部条件，以确定所述条件中的任意一个条件是否被满足。在该方法的各种实施例中，所述预定的增长持续时间为1秒。

在该系统的各种实施例中，在确定所述呼吸障碍事件中，当所述指令被所述处理器执行时，使所述系统：确定所述潜在呼吸障碍事件的开始和结束之间的所述潜在呼吸障碍事件的持续时间；确定在所述潜在呼吸障碍事件的持续时间内的氧去饱和幅度；以及将所述潜在呼吸障碍事件记录为所述呼吸障碍事件之一。在该系统的各种实施例中，当所述潜在呼吸障碍事件的持续时间等于或超过预定的最小持续时间，以及所述持续时间内的氧去饱和幅度等于或超过预定的最小氧去饱和幅度时，系统将所述潜在呼吸障碍事件记录为所述呼吸障碍事件之一。

在该系统的各种实施例中，当所述指令被所述处理器执行时，进一步使所述系统：针对已记录的呼吸障碍事件，记录所述已记录的呼吸障碍事件的持续时间和氧去饱和幅度。

在该系统的各种实施例中，在确定所述呼吸障碍事件中，当所述指令被所述处理器执行时，使所述系统：通过所述氧饱和度数据中的SO

在该系统的各种实施例中，在确定所述呼吸障碍事件中，当所述指令被所述处理器执行时，使所述系统：忽略低于预定的最小SO

在该系统的各种实施例中，当连续的SO

在该系统的各种实施例中，当所述指令被所述处理器执行时，进一步使所述系统：将所述潜在呼吸障碍事件记录为所述呼吸障碍事件之一；以及将所述潜在呼吸障碍事件分类为一个类别。所述类别包括显著下降事件、低于临界值事件和显著下降并低于临界值事件，在所述显著下降事件中所述持续时间内的所述SO

在该系统的各种实施例中，当所述指令被所述处理器执行时，进一步使所述系统：获取在呼吸暂停期间所述人的心率周期性变化数据；结合所述心肺耦合数据和所述心率周期性变化数据，以提供心肺耦合-心率周期性变化(CPC-CVHR)数据，其中，所述心肺耦合-心率周期性变化数据与所述时间段内的所述氧饱和度数据在时间上相关；以及基于与所述呼吸障碍事件在时间上相对应的所述心肺耦合-心率周期性变化数据，确定每个呼吸障碍事件的心肺耦合-心率周期性变化事件的类型。

在该系统的各种实施例中，在确定每个呼吸障碍事件的心肺耦合-心率周期性变化事件的类型中，当所述指令被所述处理器执行时，使所述系统：针对每个呼吸障碍事件，从以下组中选择一种心肺耦合-心率周期性变化事件的类型：无心率周期性变化的高频耦合(HFC)、具有心率周期性变化的高频耦合(HFC

在该系统的各种实施例中，在确定每个呼吸障碍事件的心肺耦合-心率周期性变化事件的类型中，当所述指令被所述处理器执行时，使所述系统：针对每个呼吸障碍事件，从以下组中选择一种心肺耦合-心率周期性变化事件的类型：无心率周期性变化的高频耦合(HFC)、具有心率周期性变化的高频耦合(HFC

在该系统的各种实施例中，当所述指令被所述处理器执行时，进一步使所述系统：确定以下事件类型中的每种事件类型的事件的总数：无心率周期性变化的高频耦合(HFC)、具有心率周期性变化的高频耦合(HFC

在该系统的各种实施例中，当所述指令被所述处理器执行时，进一步使所述系统：基于所述呼吸障碍事件的总持续时间，确定睡眠障碍患病率测量值；基于所述呼吸障碍事件在所述事件类型中的分布，确定睡眠障碍严重程度测量值，所述分布基于每种事件类型的所述事件的总数；以及基于所述睡眠障碍患病率测量值和所述睡眠障碍严重程度测量值，确定睡眠呼吸暂停的测量值。

在该系统的各种实施例中，当所述指令被所述处理器执行时，进一步使所述系统：针对每种事件类型，确定所述事件类型中的事件的平均去饱和幅度以及所述事件类型中的事件的平均去饱和率；获取幅度阈值和比率阈值；以及通过比较每种事件类型的所述平均去饱和幅度与所述幅度阈值和比较每种事件类型的所述平均去饱和率与所述比率阈值，确定所述人是否经历了低通气或呼吸暂停。

在该系统的各种实施例中，还基于所述呼吸障碍事件的总持续时间、所述呼吸障碍事件的平均氧饱和度，以及所述呼吸障碍事件在所述事件类型中的分布中的至少一个来确定所述人是否经历了低通气或呼吸暂停。

附图说明

当参照附图阅读本公开各种实施例的描述时，对于本领域技术人员而言，本公开的系统和方法的目的和特征是显而易见的，其中：

图1为根据本公开一些方面的示意图；

图2为根据本公开一些方面提供的使用氧饱和度和心肺耦合数据分析睡眠呼吸障碍事件的示例性方法的流程图；

图3为根据本公开一些方面提供的用于确定潜在呼吸障碍事件的示例性方法的流程图；

图4为根据本公开一些方面提供的用于确定和记录呼吸障碍事件的示例性方法的流程图；

图5为根据本公开一实施例提供的用于确定和记录潜在呼吸障碍事件的另一示例性方法的流程图；

图6为根据本公开一些方面提供的将氧饱和度和心肺耦合分析与心率周期性变化分析相结合来分析睡眠呼吸障碍事件的示例性方法的流程图；

图7为根据本公开一些方面提供的基于氧饱和度数据及分析来识别潜在睡眠障碍事件的一个示例的示意图；

图8为根据本公开一些方面提供的以中枢性呼吸暂停为主的成人研究的一个示例的示意图；以及

图9为根据本公开一些方面的示例性系统的示意图。

具体实施方式

本公开涉及分析睡眠呼吸障碍事件。根据本公开的一些方面，该分析基于氧饱和度数据和心肺耦合数据。在各种实施例中，该分析还基于心率周期性变化数据。综合运用这些数据可以提供比传统分析更复杂的分析，传统分析例如是呼吸暂停-低通气指数，呼吸暂停-低通气指数仅反映了每小时睡眠中的睡眠呼吸暂停或低通气事件的数量。

美国专利第7,324,845号、美国专利第7,734,334号、美国专利第8,403,848号和美国专利第8,401,626号中已描述了心肺耦合，这些专利的全部内容在此引入作为参考。心肺耦合(Cardiopulmonary Coupling，简称CPC)是一种通过对两个生理信号进行定量分析--由心率变异性结合相应的直接或衍生的呼吸信号组成的N-N间隔序列--以确定这两个信号的相干交叉功率来评估睡眠质量的技术。反过来，相干交叉功率提供了可用于区分阻塞性和非阻塞性睡眠呼吸障碍疾病的心肺耦合的测量值。在各种实施例中，这两个生理信号可以从各种生理指标中获取。

在利用心肺耦合来检测睡眠呼吸障碍时，CPC事件的类型包括高频耦合、低频耦合和极低频耦合，这些类型将在下文中更详细地描述。高频耦合代表稳定的睡眠，其是综合稳定的非快速眼动(non-rapid eye movement，简称NREM)睡眠的生物标记，并且与稳定呼吸的时间段、高迷走神经张力、通常是脑电图(Electroencephalogram，简称EEG)上的一般非周期性交替模式、高相对德尔塔功率(Delta Power)、生理性血压下降(健康)和/或稳定唤醒阈值相关。低频耦合代表不稳定的睡眠，其是综合不稳定的NREM睡眠的生物标记，具有与稳定的睡眠相反的特征。不稳定的睡眠与被称为周期性交替模式(Cyclic AlternatingPattern，简称CAP)的脑电图(EEG)活动、波动的呼吸模式的时间段(潮气量波动)、心率周期性变化(Cyclic Variation Of Heart Rate，简称CVHR)、血压无下降和/或可变唤醒阈值有关。零散的快速眼动(Rapid Eye Movement，REM)睡眠具有低频耦合特性。极低频耦合代表REM睡眠和唤醒。其他CPC事件将在下文中更加详细地描述。一个人的睡眠以各种CPC事件为特征的时间比例可用于评估睡眠障碍，包括睡眠呼吸障碍。

氧饱和度是红细胞中所含的血红蛋白与氧分子结合的程度的量度。氧饱和度可以通过不同的方式进行量化，术语“氧饱和度”或“SO

现在参考图1，根据本公开的一些方面示出的系统100的示意图。系统100可以在睡眠期间贴附至人上，以获得可用于计算心肺耦合(“CPC”)的生理测量值，例如心电图测量值或其他生理测量值。系统100还获得氧饱和度测量值。本领域技术人员可以理解用于检测生理信号和氧饱和度的各种传感器。生理测量值可以被记录在存储介质中，例如磁盘驱动器、闪存驱动器、固态驱动器或系统100中的其他存储介质。在各种实施例中，可以并行地记录用于计算CPC的生理测量值和氧饱和度测量值。在各种实施例中，可以标记记录的数据或将记录的数据与时间戳相关。在各种实施例中，生理测量值可以用于确定CPC事件随时间的变化，并且CPC事件可以被记录在存储介质中。在各种实施例中，随时间变化的CPC事件可以被标记或将随时间变化的CPC事件与时间戳相关。通过标记记录的数据或将记录的数据与时间戳相关，各种记录的测量值可以在时间上相互关联。所公开的实施例是示例性的，并且可以设想，可以采用其他方式将记录的测量值与时间相关。

图2示出了使用氧饱和度和心肺耦合数据分析睡眠呼吸障碍事件的操作的流程图。睡眠呼吸障碍事件的评估可以使用结合图1讨论的、记录在存储介质中的氧饱和度数据和心肺耦合数据。综上所述，氧饱和度数据可用于识别潜在睡眠呼吸障碍事件，并且CPC数据可用于对潜在睡眠呼吸障碍事件进行分类。在各种实施例中，所公开的操作可以通过在一个或多个处理器上执行的软件指令来实现。

在步骤203中，获取氧饱和度(SO

在步骤209中，获取与该氧饱和度数据在时间上相关的CPC数据。CPC数据可以通过耦合心率变异性(Heart Rate Variability，简称HRV)和呼吸来生成耦合自主呼吸振荡的频率图，例如图8所示的频率图。在各种实施例中，对睡眠期间的心率变异性(HRV)和呼吸之间的耦合的CPC频率分析可以包括至少三个频段，包括高频、低频和极低频。高频段包括大于0.1赫兹(Hz)的频率，低频段包括介于0.01Hz和0.1Hz(包括0.01Hz和0.1Hz)之间的频率，极低频的范围包括小于0.01Hz的频率。

如上所述，高频耦合代表稳定的睡眠，其是综合稳定的NREM睡眠的生物标记。低频耦合代表不稳定的睡眠，其是综合不稳定的NREM睡眠的生物标记，具有与稳定的睡眠相反的特征。零散的REM睡眠具有低频耦合特性。极低频耦合代表REM睡眠和唤醒状态。低频耦合可进一步细分为升高的低频耦合宽带(eLFC

在步骤212中，根据CPC数据，为每个呼吸障碍事件确定一种CPC事件的类型。在各种实施例中，CPC事件包括：无CVHR的高频耦合(HFC)、具有CVHR的高频耦合(HFC

参考图3，图3示出了一种用于确定潜在呼吸障碍事件的方法。在各种实施例中，图3发生在图2的步骤206中，并且涉及识别潜在呼吸障碍事件的开始以及验证潜在呼吸障碍事件。在步骤301中，氧饱和度数据用于确定是否已经识别潜在呼吸障碍事件的开始。若否，在步骤303中，可以基于第一氧饱和度测量值和随后的第二氧饱和度测量值之间的氧饱和度下降来识别潜在呼吸障碍事件的开始。也就是说，连续的氧饱和度测量值之间的下降可以识别为潜在呼吸障碍事件的开始。如果出现下降，如步骤306所确定的，即如果氧饱和度数据在第一氧饱和度测量值和随后的第二氧饱和度测量值之间下降，则在步骤309中，下降的氧饱和度被识别为潜在呼吸障碍事件的开始。但是如果氧饱和度没有下降，如步骤306所确定的，随着时间推移分析氧饱和度数据直至检测到氧饱和度下降为止。

在步骤312中，一旦识别了潜在呼吸障碍事件的开始，进一步分析氧饱和度数据，以确定是否根据一组条件323、326、329、331和335验证了潜在呼吸障碍事件。条件323识别连续的氧饱和度测量值在预定的平稳持续时间内是否保持不变。条件326识别连续的氧饱和度测量值在预定的增长持续时间内是否保持增长。在一些实施例中，预定的增长持续时间为1秒。在各种实施例中，预定的增长持续时间可以是其他时间段。条件329识别从潜在呼吸障碍事件开始后是否达到预定的持续时间限度。条件331识别连续的氧饱和度测量值的氧去饱和率是否超过预定的去饱和度限度。条件335识别氧饱和度测量值是否是无效的。例如，氧饱和度测量值可能由于数据在收集过程中、在存储介质中或其他因素被损坏而无效。步骤373确定这些条件中的任何一个是否被满足。在步骤376中，如果该组条件323、326、329、331或335中的至少一个被满足，则潜在呼吸障碍事件得到验证并记录该潜在呼吸障碍事件。在步骤379中，如果该组条件323、326、329、331或335中没有被满足的条件，则进一步分析氧饱和度数据直至条件323、326、329、331或335中的一个被满足为止。因此，通过图3的操作，可以基于氧饱和度数据识别潜在呼吸障碍事件的开始和有效性。当氧饱和度增长时，呼吸障碍事件结束。该公开的实施例是示例性的，并且所设想的各种变形均在本公开的范围内。例如，除上述公开的这些条件外的其他条件可以用于识别潜在呼吸障碍事件的开始或者验证潜在呼吸障碍事件。

图7示出了基于氧饱和度数据及分析来识别潜在呼吸障碍事件一个的示例的示意图。继续参考图3，在图3的步骤303中，基于第一氧饱和度测量值和随后的第二氧饱和度测量值之间的氧饱和度数据下降来确定潜在呼吸障碍事件的开始。在步骤309中，由于在第一氧饱和度测量值和随后的第二氧饱和度测量值之间的氧饱和度下降了，下降的氧饱和度测量值被识别为潜在呼吸障碍事件的开始。图7示出了SO

现在参考图4，方法400被公开以用于验证和记录或者不记录在图3的操作中识别出的呼吸障碍事件。在各种实施例中，图4中的操作也可以在图2的步骤206中发生。一旦识别出潜在呼吸障碍事件的开始和结束，则在步骤403中，评估该潜在呼吸障碍事件的开始和结束之间的潜在呼吸障碍事件的持续时间。如上所述，当连续的氧饱和度测量值增加时，潜在呼吸障碍事件结束。在步骤406中，在潜在呼吸障碍事件的持续时间内，评估氧去饱和幅度。基于在步骤403中确定的持续时间，在步骤409中，将该潜在呼吸障碍事件的持续时间与预定的最小持续时间进行比较，以确定该潜在呼吸障碍事件的持续时间是否等于或超过该预定的最小持续时间。在步骤412中，将氧去饱和幅度与预定的最小氧去饱和度进行比较，以确定该氧去饱和幅度是否等于或者超过该预定的最小氧去饱和度。在步骤418中，如果该潜在呼吸障碍事件的持续时间等于或者超过预定的最小持续时间并且该氧去饱和幅度等于或者超过该预定的最小氧去饱和度，则该潜在呼吸障碍事件得到验证并将该潜在呼吸障碍事件记录为呼吸障碍事件。然而，如果该潜在呼吸障碍事件的持续时间小于该预定的最小持续时间或者该氧去饱和幅度小于该预定的最小氧去饱和度，则该潜在呼吸障碍事件未得到验证并且不被记录。在各种实施例中，在步骤418中，所记录的呼吸障碍事件的持续时间和氧去饱和幅度也与所记录的呼吸障碍事件一起被记录。在各种实施例中，SO

参考图5，公开了另一种验证和记录或者不记录在图3的操作中识别出的呼吸障碍事件的方法。在各种实施例中，图5中的操作可以在图2的步骤206中发生。在各种实施例中，图5中的操作可以在图4中的操作之前或之后发生。图5的图示操作是基于SpO

根据本公开的一些方面，可以通过确定已记录的呼吸障碍事件是否表现为显著下降事件、低于临界值事件和/或显著下降并低于临界值事件，来对已记录的呼吸障碍事件进行分类，其中，在该显著下降事件中，持续时间内的SpO

因此，上述的描述是针对识别潜在呼吸障碍事件以及针对验证和记录或者不记录潜在呼吸障碍事件的示例性操作。以下将描述基于心肺耦合(“CPC”)和心率周期性变化(“CVHR”)数据来对已记录的呼吸障碍事件进行分类以及执行睡眠评估的过程。

根据本公开的一些方面，以及参考图6，图6示出了一种基于心肺耦合分析以及基于心率周期性变化特征的分析睡眠呼吸障碍事件的方法。步骤603和606可以在本文上面描述的图3-5的操作来实现。在步骤603中，获取氧饱和度(SO

在步骤609中，获取与氧饱和度数据在时间上相关的心肺耦合(CPC)数据。在步骤612中，获取与氧饱和度数据在时间上相关的心率周期性变化(CVHR)数据。基于该CPC数据和CVHR数据，步骤615结合两者以提供心肺耦合-心率周期性变化(CPC-CVHR)数据。在步骤618中，基于该CPC-CVHR数据，为每个睡眠呼吸障碍事件确定一种CPC-CVHR事件的类型。如上所述，在各种实施例中，事件可以包括：无CVHR的高频耦合(HFC)、具有CVHR的高频耦合(HFC

根据本公开的一些方面，该CPC-CVHR事件可以用于评估人的睡眠状态和用于对事件进行表型化。例如，eLFCBB是片段化的标记，并且与阻塞性呼吸暂停(ObstructiveApneas，简称OA)相关。eLFCNB是周期性的标记，并且与周期性呼吸(Periodic Breathing，简称PB)、潮式呼吸(Cheyne-Stokes respiration，简称CS)和中枢性呼吸暂停(CentralApneas，简称CA)相关。然而，eLFCBB可以由其他疾病引起，例如疼痛或睡眠过程中引起碎片化的其他疾病，而eLFCNB可以由周期性的肢体运动引起。在另一示例中，“eLFCNB+CVHR”中的大量事件比“HFC”中相同数目的事件更为严重。这是由于eLFCNB+CVHR事件同时反映了周期性和心血管疾病的特征，该特征为心动过缓后伴随心动过速(CVHR)。

根据本公开的一些方面，事件的总计数/持续时间用于衡量睡眠障碍的患病率，而事件发生所在的类别则定义了睡眠障碍的严重程度。另外，平均事件持续时间、平均去饱和度和平均去饱和率可用于定义类别中的严重程度。

在各种实施例中，为每个呼吸障碍事件确定一个CPC-CVHR事件的类型可以包括：针对每个呼吸障碍事件，从以下一组中选择一种CPC-CVHR事件的类型：无CVHR的高频耦合(HFC)、具有CVHR的高频耦合(HFC

在各种实施例中，为每个呼吸障碍事件确定一个CPC-CVHR事件的类型可以包括：针对每个呼吸障碍事件，从以下一组中选择一种CPC-CVHR事件的类型：无CVHR的高频耦合(HFC)、具有CVHR的高频耦合(HFC

在步骤624中，基于呼吸障碍事件的总持续时间来测量睡眠障碍患病率。在步骤627中，基于每种事件类型的事件的总数，基于呼吸障碍事件在各种事件类型中的分布来测量睡眠障碍严重程度。在步骤630中，基于所测量的睡眠呼吸障碍患病率和睡眠障碍严重程度，测量睡眠呼吸暂停的测量值。例如，参考图8，在一项以中枢性呼吸暂停为主的352分钟的成人研究中，确定该人的AHI为67.3(事件/小时)，其中，呼吸暂停为178分钟，而这178分钟中有134分钟发生在eLFCNB中。

根据本公开的一些方面，进一步分析每个类别中的事件。在步骤633中，对于每种事件类型，该操作确定该事件类型中的事件之间的平均去饱和度和最大去饱和度，以及该事件类型中的事件之间的平均去饱和率、最大去饱和率和最小去饱和率。另外，在各种实施例中，该操作可以为每种事件类型确定事件之间的平均持续时间、最大持续时间和最小持续时间。然后在步骤636中，获取幅度阈值和比率阈值，并且在步骤639中，该操作基于各种指标和阈值来评估人是否经历了低通气或呼吸暂停。例如，将每种事件类型的平均去饱和度与幅度阈值进行比较可以用于确定对象是否经历了低通气或呼吸暂停。在各种实施例中，可以进一步基于呼吸障碍事件的总持续时间、呼吸障碍事件的平均氧饱和度以及呼吸障碍事件在事件类型中的分布中的至少一个来确定人是否经历了低通气或呼吸暂停。

根据本公开的一些方面，基于将阈值与每个事件类别中的去饱和百分比和去饱和率进行比较并且识别CPC类别，可以区分低通气和呼吸暂停。低通气通常被描述为异常浅呼吸，而呼吸暂停被定义为停止呼吸。由于这两种呼吸事件类型的严重程度不同，氧饱和度响应的严重程度也有所不同，氧饱和度响应的特征是具有不同的去饱和度低值(DL)、幅度(DM)、比率(DR)和加速度(DA)。例如，在各种实施例中，超过固定或可变阈值的DM值、DR值和/或DA值指示呼吸暂停，而低于阈值的DM值、DR值和/或DA值指示低通气。然后可以将事件总结为呼吸暂停-低通气指数(包括所有事件)、呼吸暂停指数(仅呼吸暂停)和低通气指数(仅低通气)。此外，可以列出事件及其呼吸暂停/低通气的分类和相关的严重程度特征(DL，DM，DR和DA)。

通过分析事件的特征和事件在类别之间的分布，本公开产生了一种针对呼吸障碍的严重程度的量度，与传统的呼吸暂停-低通气指数(AHI)相比，该量度提供更多的信息。根据本公开的一些方面，可以组合患病率(每小时的事件数)、严重程度(DM和DR)、类别集中度(大多数呼吸暂停发生时的状态)和平均氧饱和度以产生指示呼吸障碍的严重程度的数字。该数字在本文中称为sAHI。另外，在各个实施例中，可以生成传统的AHI，其计算方式为(事件的总数)/(睡眠总时间)。

以下提供了按类别类型列出的严重程度的示例：

对象A经历过的事件主要集中在非CVHR和非eLFC类别(常规字体)中。另一方面，对象B的事件集中在CVHR和eLFC类别中，这表明事件除了发生在eLFCNB(与中枢性睡眠呼吸暂停和定期性呼吸有关的状态)中之外，还导致了心血管反应。两个对象均经历了相同的事件数，因此患病率相同。假设睡眠时间持续7小时，则根据事件数除以睡眠持续时间，对象A和B每小时均有15个事件发生。通过按事件发生的CPC-CVHR类型对事件进行加权，可以为每个对象计算严重程度指数，通过结合CPC-CVHR，最终得到的指标可以更准确地反映事件的严重程度，CPC-CVHR表示对睡眠呼吸障碍事件做出反应的自主神经系统活动。例如，可以通过为上述表格中的每个单元分配权重来生成严重程度度量，其中无CVHR的HFC的权重最低，具有CVHR的eLFCNB的权重最高。每个单元表示为该类别中的事件占总事件的比率，然后将该比率乘以相关类别的权重再除以最大权重。然后将多个结果值相加，生成一个在[0，1]之间的数字。例如，如果事件仅发生在无CVHR的HFC中，则严重程度指标将等于零(0)。如果事件仅发生在具有CVHR的eLFCNB中，则严重程度指标将为一(1)。这可以用以下等式表示，其中，严重程度(S)在[0，1]之内：

其中，T是事件的总数，x

图2-6是解释本公开的实施例的示例性示意图。应当理解，本公开的实施例可以以硬件、固件、软件或其组合来实现。在这样的实施例中，各种组件和步骤将以硬件、固件和/或软件来实现以执行本公开的功能。即，相同的硬件、固件或软件模块可以执行一个或多个所示的块(即，组件或步骤)。

本公开可以在能够执行本公开描述的功能的一个或多个计算机系统中实现。参考图9，图9示出了用于实现本公开的计算机系统900的示例。此处描述的本公开的各种实施例可以由计算机系统900来实现。然而，本领域技术人员应当清楚地知道如何使用其他计算机系统和/或计算机体系结构来实现本公开。

计算机系统900包括一个或多个处理器，例如处理器904。处理器904连接到通信基础设施906(例如，通信总线、交叉条或网络)。

计算机系统900可以包括显示器930，该显示器930从通信基础设施906(或者从未示出的帧缓冲器)接收图形、文本和其他数据以进行显示。在各种实施例中，显示器930可以呈现本公开描述的各种测量值和指标，包括本公开上文描述的氧饱和度和sAHI评分。在各种实施例中，可以显示具有氧饱和度(SO

计算机系统900还包括主存储器908，优选地是随机存取存储器(RAM)，并且还可以包括辅助存储器910。辅助存储器910可以包括例如硬盘驱动器912和/或可移动存储驱动器914，代表性的驱动器为软盘驱动器、磁带驱动器、光盘驱动器等。可移动存储驱动器914以公知的方式从可移动存储单元918读取数据和/或写入数据至可移动存储单元918。可移动存储单元918表示由可移动存储驱动器914读取和写入的软盘、磁带、光盘等。可以理解的是，可移动存储单元918包括存储有计算机软件(例如程序或其他指令)和/或数据的计算机可用存储介质。

在各个实施例中，辅助存储器910可以包括允许将计算机软件和/或数据加载到计算机系统900中的其他类似设备。这种设备可以包括例如可移动存储器922和接口920。这样的示例例如可以包括程序盒和盒接口(例如在传统设备中的接口)、可移动存储芯片(例如EPROM或PROM)和关联的插槽，以及其他允许将软件和数据从可移动存储设备922传输到计算机系统900的可移动存储设备922和接口920。

计算机系统900还可以包括通信接口924。通信接口924允许软件和数据在计算机系统900和外部设备之间传输。通信接口924的示例可以包括调制解调器、网络接口(例如以太网或WiFi卡)、通信端口、PCMCIA或SD或其他插槽和卡，以及其他组件。经由通信接口924传输的软件和数据采用信号928的形式，信号928可以是电、电磁、光或其他能够被通信接口924接收的信号。这些信号928经由通信路径(即，信道)926被提供给通信接口924。通信路径926携带信号928，并且通信路径926可以使用电线或电缆、光纤、电话线、蜂窝电话链路、射频(RF)链路、自由空间光学和/或其他通信信道来实现。

如本公开所用的，术语“计算机程序介质”和“计算机可用介质”通常用于指代诸如可移动存储单元918、可移动存储设备922、安装在硬盘驱动器912中的硬盘，以及信号928之类的介质。这些计算机程序产品是用于向计算机系统900提供软件的设备。本公开包括这样的计算机程序产品。

计算机程序(也称为计算机控制逻辑或计算机可读程序代码)存储在主存储器908和/或辅助存储器910中。计算机程序也可以经由通信接口924接收。这样的计算机程序在被执行时使计算机系统900能够实现如本文所讨论的本公开。特别地，计算机程序在被执行时使处理器904能够实现本公开的过程和操作，例如，如上所述的方法200、300、400、500和600的各个步骤。因此，这样的计算机程序代表计算机系统900的控制器。

在使用软件实现本公开的实施例中，该软件可以存储在计算机程序产品中，并可以使用可移动存储驱动器914、硬盘驱动器912、接口920或通信接口924将软件加载到计算机系统900中。当控制逻辑由处理器904执行时，该控制逻辑(软件)使处理器904执行本文所述的本公开的功能。因此，本公开的技术可以被提供为作为医疗设备的软件(Software Asa Medical Device，简称SaMD)或被提供为非医疗软件。在各个实施例中，该软件可以包括基于云的应用程序。

这里公开的实施例是本公开的示例，并且可以以各种形式实施。例如，尽管本文中的某些实施例被描述为单独的实施例，但是本文中的每个实施例可以与本文中的一个或多个其他实施例进行组合。本文公开的具体结构和功能细节不应被解释为限制性的，而是作为教导本领域技术人员以实际上任何适当的详细结构通过各种方式运用本公开的代表性基础。

短语“在一个实施例中”、“在实施例中”、“在各种实施例中”、“在一些实施例中”或“在其他实施例中”中的每个可以指代根据本公开的一个或多个相同或不同的实施例。形式为“A或B”的短语表示“(A)、(B)或(A和B)”。形式为“A、B或C中至少一个”的短语表示“(A)；(B)；(C)；(A和B)；(A和C)；(B和C)；或(A、B和C)”。

本文描述的任何方法、程序、算法或代码可以被转换成编程语言或计算机程序，或者用编程语言或计算机程序来表达。本文所用的术语“编程语言”和“计算机程序”均包括用于向计算机指定指令的任何语言，并包括(但不限于)以下语言及其派生词:汇编语言、BASIC(Beginner's All-purpose Symbolic Instruction Code)语言、批处理文件、BCPL(Basic Combined Programming Language)语言、C语言、C+语言、C++、Delphi语言、Fortran(Formula Translation)语言、Java语言、JavaScript语言、机器代码、操作系统命令语言、Pascal(philips automaticsequence calculator)语言、Perl(Practical Extractionand Reporting Language)语言、PL1(Programming Language No.1)语言、脚本语言、Visual Basic语言、指定程序本身的元语言，以及所有第一代、第二代、第三代、第四代、第五代或下一代的计算机语言。还包括数据库和其他数据模式，以及任何其他元语言。对被解释、被编译或同时使用编译和解释方法的语言之间没有区别。程序的编译版本和源代码版本没有区别。因此，一个程序，其中，编程语言可以存在于一个以上的状态中(例如源状态、编译的状态、对象状态或链接状态)，是对任何和所有这样的状态的引用。

本文描述的系统还可以利用一个或多个控制器来接收各种信息，并转换接收到的信息以生成输出。控制器可以包括任何类型的计算设备、计算电路或能够执行存储在内存中的一系列指令的任何类型的处理器或处理电路。控制器可以包括多个处理器和/或多核中央处理单元(CPUs)，并且可以包括任何类型的处理器，例如微处理器、数字信号处理器、微控制器、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)等。控制器还可以包括存储数据和/或指令的内存，当数据和/或指令被一个或多个处理器执行时，使得一个或多个处理器执行一个或多个方法和/或算法。

应该理解的是，前面的描述仅仅是对本公开的说明。在不脱离本公开的情况下，本领域技术人员可以想出各种替代和修改。因此，本公开旨在包含所有这些替代、修改和变化。参考附图描述的实施例仅用于展示本公开的某些示例。与上文中描述的元件、步骤、方法和技术没有实质性不同的其他元件、步骤、方法和技术也意图被涵盖在本公开的范围内。