一种基于可穿戴设备的睡眠呼吸障碍个体化表型识别与闭环微干预方法及系统与流程

本发明属于睡眠呼吸障碍管理的，具体涉及一种基于可穿戴设备的睡眠呼吸障碍个体化表型识别与闭环微干预方法及系统。

背景技术：

1、阻塞性睡眠呼吸暂停、低通气、鼾症及睡眠相关低氧等睡眠呼吸障碍在人群中较为常见，可导致白天嗜睡、注意力下降，并与高血压、心血管疾病、代谢异常等风险相关。目前临床金标准仍为多导睡眠监测，但其存在设备复杂、检查成本高、预约周期长、患者需在医院或指定场所过夜等问题，难以满足大规模、长期、连续的居家筛查与管理需求。

2、近年来，可穿戴设备逐渐具备光电容积脉搏波、血氧饱和度、心率、加速度、体位、皮温、麦克风鼾声采集等能力，部分手表、戒指、贴片或家庭睡眠监测设备已经能够对睡眠呼吸暂停风险进行提示，或者估计呼吸扰动指数、低氧事件、睡眠阶段等指标。但现有方案大多仍停留在“是否存在风险”或“估计ahi/rdi”的筛查层面，对用户为何发生呼吸扰动、呼吸扰动在何种体位或睡眠阶段下更严重、何种轻量干预对该用户有效等问题缺乏进一步处理。

3、现有可穿戴睡眠呼吸障碍筛查方案主要存在以下不足：

4、（1）结果维度单一。现有方案通常输出风险提醒、事件数量、ahi估计或血氧下降次数，难以进一步识别体位相关型、鼾声阻塞型、低氧主导型、觉醒主导型、rem相关型或疑似中枢型等不同表型，导致后续干预建议缺乏针对性。

5、（2）统一阈值适应性差。不同用户的基础血氧、静息心率、鼾声响度、体动习惯、睡姿偏好及传感器佩戴质量差异较大，若采用固定血氧下降阈值、固定鼾声阈值或固定体动阈值，容易产生误报或漏报。

6、（3）检测与干预相互脱节。现有可穿戴设备多在次日给出风险报告，无法在用户当晚发生高风险呼吸扰动前后进行低扰动干预，也无法评估干预是否实际改善该用户的呼吸稳定性。

7、（4）现有体位干预装置策略粗糙。部分体位治疗产品通过固定强度振动提示用户离开仰卧位，但其触发条件通常仅依赖体位，未结合血氧、心率反跳、鼾声增强、呼吸微动和睡眠状态，容易出现无效振动、过度唤醒或用户耐受。

8、（5）缺少跨夜疗效闭环。睡眠呼吸障碍具有夜间波动和多因素影响特征，单夜检测难以判断某种睡姿调整、振动策略、枕头高度、口腔矫治器或cpap使用是否有效，亟需基于多夜自我对照的疗效评估机制。

技术实现思路

1、本发明的目的在于针对现有技术中的上述不足，提供一种基于可穿戴设备的睡眠呼吸障碍个体化表型识别与闭环微干预方法及系统，以解决以下的至少一个问题：

2、现有可穿戴设备仅输出睡眠呼吸暂停风险或ahi估计，无法识别呼吸障碍发生机制和诱发因素；统一阈值模型难以适配不同用户基础血氧、心率反应、鼾声水平、体动习惯和佩戴差异；检测结果与夜间实时干预脱节，无法在呼吸扰动风险升高时进行低觉醒风险干预；传统体位治疗或振动干预仅根据睡姿触发、缺乏多模态生理反馈，容易造成无效干预或睡眠破碎化；缺乏跨夜自我对照机制，无法客观评估不同睡姿、干预参数或辅助治疗设备对特定用户是否有效。

3、为达到上述目的，本发明采取的技术方案是：

4、一方面，一种基于可穿戴设备的睡眠呼吸障碍个体化表型识别与闭环微干预方法，其包括以下步骤：

5、s1、采集个体的多模态睡眠数据；

6、s2、对多模态睡眠数据进行时间同步处理和信号质量评估，得到综合信号质量权重；

7、s3、基于多模态数据，识别个体的有效睡眠期；

8、s4、基于睡眠阶段和体位，构建个体化夜间基线；

9、s5、基于个体化夜间基线和个体的历史基线，计算个体化偏离特征；

10、s6、在有效睡眠期内，根据个体化偏离特征识别呼吸扰动候选事件；

11、s7、提取呼吸扰动候选事件的上下文特征，并形成事件级特征向量；

12、s8、根据事件级特征向量、呼吸扰动候选事件、多模态数据以及睡眠阶段之间的时间关联，识别睡眠呼吸障碍表型；

13、s9、在有效睡眠期内，根据睡眠呼吸障碍表型、综合信号质量权重、呼吸扰动风险概率、当前体位，生成针对不同睡眠呼吸障碍表型的个体化微干预策略；

14、s10、采用分级触发机制，执行个体化微干预策略；

15、s11、对每次的个体化微干预策略的响应进行评估，并计算综合响应评分；

16、s12、根据综合响应评分，采用梯度下降算法，自适应更新个体化微干预策略的干预参数；

17、s13、对比不同干预策略或不同睡姿策略下的睡眠呼吸相关指标，进行跨夜自我对照疗效评估，并生成报告。

18、进一步的，所述s4具体包括：

19、对血氧饱和度spo2、正常心率波动范围、正常hrv范围、常见睡姿分布、安静鼾声水平、体动频率、呼吸微动幅度及不同体位下的呼吸稳定性，按睡眠阶段和体位分别计算基线的均值和标准差。

20、进一步的，所述s5具体包括：

21、基于基线的均值和标准差，采用标准化偏差度公式，将实时采集到的多模态睡眠数据与同一用户、同一睡眠阶段、同一体位下的历史基线进行比较，计算得到个体化偏离特征。

22、进一步的，所述s6具体包括：

23、基于个体化偏离特征、加速度体动信号及体位信号，采用风险预测模型，通过回看窗口内的时序特征，计算得到呼吸扰动风险概率；再对呼吸扰动风险概率进行平滑、阈值化处理并提取二值候选事件序列，最后经持续时间过滤与相邻事件合并后，识别得到有效睡眠期内的呼吸扰动候选事件。

24、进一步的，所述s7具体包括：

25、对于每个呼吸扰动候选事件，提取事件前、事件中和事件后的上下文特征，包括事件发生时体位、事件前鼾声趋势、事件内最低血氧饱和度spo2、事件后心率上升幅度、事件后体动幅度、事件持续时间、事件间隔、所处睡眠阶段或夜间时间分布。

26、进一步的，所述s8具体包括：

27、基于事件级特征向量、呼吸扰动候选事件与多模态数据、睡眠阶段的时间关联关系，构建不同睡眠呼吸障碍表型的置信度计算模型：

28、对于体位相关型，分别计算仰卧位事件密度和非仰卧位事件密度，通过仰卧位事件密度和非仰卧位事件密度比、低氧负荷差，结合逻辑回归模型与sigmoid函数计算表型置信度；

29、对于鼾声阻塞型，基于鼾声前驱强度、心率反跳幅度、血氧下降幅度对应的事件级特征，通过逻辑回归模型与sigmoid函数计算表型置信度；

30、对于rem相关型，通过rem期与非rem期的事件密度比，结合逻辑回归模型与sigmoid函数计算表型置信度；

31、根据各表型置信度，将置信度最高的表型确定为主表型，将其他超过预设阈值的表型确定为合并表型，完成睡眠呼吸障碍表型识别。

32、进一步的，所述s9中，基于多条件逻辑组合构建干预触发条件：

33、

34、式中，为t 时刻的干预触发标记；为指示函数；为睡眠掩码；为综合信号质量权重；为信号质量阈值；为呼吸扰动风险概率；为风险概率阈值；为当前表型的置信度；为表型置信度阈值；为上一次干预的触发时刻；为干预冷却时间；

35、当满足干预触发条件时，触发对应干预动作，实现针对不同表型的个体化微干预策略；

36、其中，对于体位相关型个体，在检测到仰卧且呼吸扰动风险升高时，通过手表、戒指、胸贴、智能枕或床垫输出渐进式触觉刺激，引导用户轻微转向侧卧；对于鼾声阻塞型用户，在鼾声连续增强但尚未出现低氧前输出短促微刺激；对于低氧主导型用户，降低夜间过度刺激频率，优先生成次日报告和就医建议；对于疑似中枢型用户，避免频繁体位干预并提高医疗评估提示等级。

37、进一步的，所述s11具体包括：

38、基于每次个体化微干预策略，从多维度评估干预响应，计算综合响应评分，其表示为：

39、

40、式中，为第

i次干预的综合响应评分；、、、、为对应的权重系数；为体位变化标记；为血氧恢复幅度；为鼾声降低幅度；为第

i次干预后预设观察窗口内呼吸扰动候选事件密度或事件数量的下降幅度；为第

i次干预引起的觉醒风险或睡眠破碎化惩罚项；

41、随后，根据综合响应评分与预设有效阈值的比较结果，将干预判定为有效、部分有效或需降级或无效。

42、进一步的，所述s13具体包括：

43、基于未干预状态、轻干预状态、强化干预状态或不同睡姿策略下的呼吸扰动指数、低氧负荷、鼾声负荷、觉醒次数和睡眠连续性，构建干预有效性评分：

44、

45、式中，为干预有效性评分；、、、为对应的权重系数；为未干预下的呼吸扰动指数；为干预状态下的呼吸扰动指数；为极小常数；为基线状态下的低氧负荷；为干预状态下的低氧负荷；为基线状态下的鼾声负荷；为干预状态下的鼾声负荷；为干预状态下的觉醒次数；为基线状态下的觉醒次数；

46、并最终生成包括有风险等级、主要表型、表型置信度、高风险体位、高风险时间段、低氧负荷、鼾声负荷、干预有效性、用户耐受性和建议就医的报告。

47、另一方面，一种基于可穿戴设备的睡眠呼吸障碍个体化表型识别与闭环微干预系统，包括：

48、信号采集模块：用于采集个体的多模态睡眠数据；

49、信号处理模块：用于对多模态睡眠数据进行时间同步处理和信号质量评估，得到综合信号质量权重；

50、有效睡眠期识别模块：用于基于多模态数据，识别个体的有效睡眠期；

51、基线构建模块：用于基于睡眠阶段和体位，构建个体化夜间基线；

52、个体化偏离特征模块：用于基于个体化夜间基线和个体的历史基线，计算个体化偏离特征；

53、呼吸扰动候选事件识别模块：用于在有效睡眠期内，根据个体化偏离特征识别呼吸扰动候选事件；

54、上下文特征提取模块：用于提取呼吸扰动候选事件的上下文特征，并形成事件级特征向量；

55、表型识别模块：用于根据事件级特征向量、呼吸扰动候选事件与多模态数据以及睡眠阶段之间的时间关联，识别睡眠呼吸障碍表型；

56、干预策略生成模块：用于在有效睡眠期内，根据睡眠呼吸障碍表型、综合信号质量权重、呼吸扰动风险概率、当前体位，生成针对不同睡眠呼吸障碍表型的个体化微干预策略；

57、干预执行模块：用于采用分级触发机制，执行个体化微干预策略；

58、干预响应评估模块：用于对每次的个体化微干预策略的响应进行评估，并计算综合响应评分；

59、干预更新模块：用于根据综合响应评分，采用梯度下降算法，自适应更新个体化微干预策略的干预参数；

60、疗效评估和报告生成模块：用于对比不同干预策略或不同睡姿策略下的睡眠呼吸相关指标，进行跨夜自我对照疗效评估，并生成报告。

61、本发明提供的基于可穿戴设备的睡眠呼吸障碍个体化表型识别与闭环微干预方法及系统，具有以下有益效果：

62、1、本发明通过多夜连续采集、多模态呼吸扰动识别、个体化基线建模、表型分类、低扰动微干预、自适应参数优化和跨夜疗效评估，实现从“被动筛查”到“主动管理”的升级。

63、2、本发明从单纯风险筛查升级为个体化表型识别；不仅判断用户个体是否存在睡眠呼吸障碍风险，还进一步识别体位相关型、鼾声阻塞型、低氧主导型、觉醒主导型、rem相关型或疑似中枢型等表型，使报告更具临床解释性和干预指导价值。

64、3、本发明通过个体化多夜基线降低误报和漏报；不完全依赖统一阈值，而是根据用户自身的基础血氧、心率、鼾声、体动和体位分布建立动态基线，能够适应不同年龄、体型、佩戴习惯和设备差异。

65、4、本发明实现检测与干预闭环；可在呼吸扰动风险升高时进行低觉醒风险微干预，并根据干预后的生理响应自动调整策略，从而将可穿戴设备从被动监测工具转变为主动管理工具。

66、5、本发明降低体位治疗的觉醒风险；通过分级刺激、冷却时间、最大刺激次数和觉醒风险监控，系统避免固定强度振动造成睡眠破碎化，提高用户长期使用依从性。

67、6、本发明能够进行跨夜疗效评估；通过多夜自我对照判断不同体位、干预参数、辅助设备或治疗方式是否有效，为居家健康管理、远程随访和临床治疗前后评估提供客观依据。

68、7、本发明具有较强落地性和扩展性；可在智能手表、戒指、胸贴、颈部贴片、智能枕、床垫和手机等设备中单独或协同实现，既适用于消费级健康筛查，也适用于院外随访和慢病管理场景。