基于指尖光电容积描记图(photoplethysmography, PPG)获取的Hypnodensity睡眠指标比多导睡眠图传统指标与日间嗜睡及疲劳的相关性更优

《Pulmonology》：Hypnodensity sleep metrics from fingertip photoplethysmography are better associated with daytime sleepiness and fatigue than traditional metrics from polysomnography

　　

摘要：背景——多导睡眠图(polysomnography, PSG)的传统睡眠指标常受限于催眠图(hypnogram)，即每30秒时段仅被划分为五种睡眠分期之一，这过度简化了睡眠分期的连续性与碎片化睡眠(常见于睡眠呼吸障碍sleep-disordered breathing, SDB)。深度学习通过给出各睡眠分期的概率(即hypnodensities)，可提供更高时间分辨率的动态睡眠建模。研究问题与方法是研究人员探究从夜间指尖光电容积描记图(PPG)记录获取的高频(1次/秒)hypnodensities是否与SDB患者自我报告结局的相关性优于传统指标。结果——在2280例患者中(65%男性，平均年龄62岁，平均呼吸暂停低通气指数apnoea-hypopnoea index, AHI 23.5/h)，发现若干PPG衍生的hypnodensity指标与自我报告的日间疲劳及嗜睡相关，其相关程度等于或优于PSG人工判读催眠图所得传统指标；具体而言，基于PPG的N1与N3睡眠hypnodensity与疲劳及嗜睡的关联强于人工判读的N1与N3睡眠(p < 0.005)。多变量logistic回归(校正年龄、性别、体重指数body mass index, BMI、AHI及血氧饱和度低于90%的总睡眠时间total sleep time below 90% blood oxygen saturation, t90)显示多个PPG-based hypnodensity指标与日间嗜睡显著相关(p < 0.01)。结论——结果表明PPG-based hypnodensities可改善睡眠质量表征，并更好地预测SDB患者的患者报告结局；未来可用于睡眠中心外借助指尖脉搏血氧仪追踪睡眠质量，因其简便性或可连续多夜监测。

论文解读：基于指尖PPG Hypnodensity的睡眠指标与日间嗜睡及疲劳相关性研究

本文发表于《Pulmonology》。

一、研究背景与目的

目前睡眠质量与数量的客观评估依赖于催眠图(hypnogram)——由睡眠专家按30秒epoch手动判读出的五阶段睡眠分期图谱，该方法是诊断睡眠障碍的金标准多导睡眠图(polysomnography, PSG)的核心产出。然而PSG存在可及性有限、评分需专业人力、检查环境不自然等缺陷；更重要的是，hypnogram存在过度简化问题，每30秒只能赋予一个睡眠分期，无法反映睡眠连续性、睡眠转换及睡眠碎片化(尤见于睡眠呼吸障碍sleep-disordered breathing, SDB))，且传统基于hypnogram的睡眠指标(总睡眠时间total sleep time, TST、睡眠效率sleep efficiency, SE等)与日间嗜睡(daytime sleepiness)、疲劳(fatigue)等患者报告结局(patient-reported outcome measures, PROMs)仅呈弱相关。Hypnodensities系深度学习自动睡眠分期模型输出的各时间点各睡眠分期概率分布，具高时间分辨率并可体现重叠分期特征，弥补了hypnogram的时间分辨率不足。光电容积描记图(photoplethysmography, PPG)通过指尖脉搏血氧仪采集外周脉搏波，受自主神经调节反映心血管生理及睡眠分期信息，设备简易便于居家使用。既往尚无研究探讨PPG信号推导之hypnodensities与SDB患者PROMs的关联。本研究旨在比较从夜间指尖PPG经深度学习获取的hypnodensity指标与传统PSG hypnogram指标，在可疑睡眠呼吸暂停患者群中与自我报告日间嗜睡(Epworth Sleepiness Scale, ESS)及疲劳(Pichot's Fatigue Scale, PFS)的相关性优劣。

二、主要关键技术方法

研究人员回顾性纳入法国格勒诺布尔阿尔卑斯大学医院睡眠中心MARS数据库中2013–2023年因疑诊睡眠障碍行诊断性PSG且同步记录指尖PPG的病例(n=2423)，排除数据重复、导出错误、无睡眠分期标注、无PPG信号或TST<30分钟者，最终分析集2280例。主观疲劳与嗜睡分别用PFS(>22分为过度疲劳)和ESS(>10分为过度日间嗜睡excessive daytime sleepiness, EDS)评估。传统睡眠指标(TST、SE、入睡潜伏期sleep onset latency, SOL、入睡后觉醒时间wake after sleep onset, WASO及各分期时长/占比)由人工判读hypnogram计算。研究人员采用已发表U-Net架构深度学习模型，仅输入预处理后PPG信号(低通滤波32 Hz、降采样至64 Hz、逐记录z-score标准化)训练自动睡眠分期，以PSG中1612例训练、227例验证、458例测试，模型测试集与人工分期逐秒比对评估性能(Cohen's kappa中位数0.58，准确率中位数72%)；对所有PPG数据以1 Hz频率预测hypnodensities，据此计算新型指标：睡眠HypnoArea(各睡眠分期概率之和，类比TST/SE)、睡眠起始倾向Sleep Onset Tendency(入睡前沿N1+N2+N3概率和，类比SOL)、WASO HypnoArea(入睡后Wake概率和，类比WASO)及各分期N1/N2/N3/REM HypnoArea(概率对时间积分再换算为分钟，类比各分期时长)与相应占比。分别以Spearman相关分析比较两类指标与PFS、ESS评分的相关性(Bonferroni校正)，用Steiger's Z检验比较相关强度差异，并拟合二分类logistic回归(校正年龄、性别、BMI、AHI及t90)评估指标与EDS/过度疲劳的独立关联。

三、研究结果

3.1. Demographic characteristics

最终分析人群2280例(男65%，均龄62岁，均AHI 23.5/h，79% AHI>5/h，54% AHI>15/h)，36% ESS>10(EDS)，15% PFS>22(过度疲劳)，9%二者并存。人口学与PSG传统及新型指标统计量报告于正文表1、表2及补充材料。

3.2. Model performance in automatic sleep staging

深度学习PPG自动睡眠分期与人工判读逐秒比对，测试集Cohen's kappa中位数0.58(四分位距0.47–0.66)，准确率中位数72%(65%–78%)；分期F1值N1最低0.21，REM最高0.80，平均0.57，表明PPG信号可实现具有一定一致性的睡眠分期推断但非REM分期混淆较明显。

3.3. Correlation of hypnogram and hypnodensity sleep metrics with sleepiness and fatigue

Spearman相关分析显示PPG-based hypnodensity指标与日间嗜睡及疲劳的相关性等于或优于hypnogram指标。N1 HypnoArea(%)与N3 HypnoArea(%)与主观日间嗜睡的相关性强于人工判读N1%、N3%(训练+验证集p<0.005，n=1654；独立测试集p<0.005，n=410)；N3 HypnoArea与日间嗜睡最高相关(r=0.183, p<0.005)，但与最佳传统指标TST(r=0.173)差异未达显著。N1、N3 HypnoArea(%)与疲劳的相关也显著强于对应人工分期占比(训练+验证集p<0.005，n=1630)，测试集呈相同趋势但未达显著。多变量logistic回归(校正AHI等混杂因素)中多个hypnodensity指标与日间嗜睡显著相关(p<0.01)：Sleep HypnoArea、N2/N3 HypnoArea(min)、REM HypnoArea(min/%)增加嗜睡 odds，N2 HypnoArea(%)降低odds；其中N3 HypnoArea(min)与嗜睡正关联(aOR 1.0089, 95% CI 1.0038–1.0141)，而人工N3睡眠(min)无显著关联(aOR 0.9996)，N1 HypnoArea(%)与N1睡眠(%)对嗜睡的关联方向亦相反且置信区间不重叠，提示hypnodensity捕获不同生理维度。疲劳方面N1 HypnoArea(%)呈边缘显著关联(p=0.06)，REM HypnoArea(%)降低疲劳odds(p<0.05但未达p<0.01阈值)。

四、讨论与结论翻译

讨论指出本研究首次证明单指PPG经深度学习生成hypnodensity指标并与SDB患者日间嗜睡/疲劳PROMs相关性优于或等同于传统PSG hypnogram指标，尤其N1/N3 HypnoArea相关性显著提升。PPG Hypnodensity可能反映自主神经静息及睡眠深度连续性(类比EEG δ功率)，与基于脑电的离散N3分期互补，故较人工分期更贴近嗜睡感受。Hypnodensity克服hypnogram 30秒分辨率局限并以概率建模捕捉重叠分期，更贴合SDB碎片化睡眠特征。该方法简易、低成本，有望推广至睡眠实验室外多夜居家监测以评估夜间变异。局限性含未分析hypnodensity衍生微觉醒/碎片化指标、PROMs为主观问卷、未校正影响PPG的用药及合并症，但同批对象内对照比较使相对结果可信。

结论：本研究表明，从PPG信号预测的深度学习based hypnodensity睡眠质量与数量指标，可为疑诊睡眠 disorder患者的日间嗜睡及疲劳评估提供优于传统方法的睡眠质量表征途径。特别是PPG-based hypnodensity图中增加的睡眠深度(deep sleep)指标可能提示睡眠呼吸暂停患者更高的嗜睡程度。结合简易脉搏血氧仪与先进数据分析，为睡眠实验室外追踪睡眠质量提供了实用且可扩展的解决方案。