研究提出基于呼吸暂停负担的PPG睡眠呼吸暂停分级框架

睡眠呼吸暂停是一种常见的睡眠期呼吸障碍，与心血管和代谢系统风险密切相关。目前，临床上以整夜多导睡眠监测作为诊断金标准，但因其流程复杂、成本较高，难以满足家庭长期预防性监测的需求。在可穿戴方案中，血氧饱和度通常被作为主要预测指标，而光电容积脉搏波（PPG）脉搏波所蕴含的形态学特征尚未得到充分挖掘。

本研究提出了一种基于呼吸暂停负担预测的睡眠呼吸暂停严重程度评估框架。该框架首先将呼吸暂停负担作为连续量进行预测，再进一步转换为临床常用的呼吸暂停低通气指数，从而在个体层面将受试者划分为四个严重程度等级，覆盖分布内与分布外两类测试场景。研究中评估了三种人工神经网络架构，并以五种不同随机种子下的平均结果作为性能指标。

在分布外测试中，将PPG形态特征与血氧饱和度联合使用，相较仅使用血氧饱和度的方案，宏灵敏度、宏准确率、宏F1分数、Cohen's kappa以及马修斯相关系数分别提升约15.72%、9.22%、16.01%、11.08%和13.22%。其中，低复杂度的卷积-循环混合模型在整体表现上最具优势。研究表明，该框架在独立外部数据集上展现出良好的跨域泛化能力，且结构相对简洁的混合架构在家庭预防性监测场景中具备应用潜力。

【空音视角】 该研究是睡眠呼吸监测从临床走向家庭预防性场景的典型技术路径：通过PPG等易采集信号结合血氧指标，在跨数据集分布外测试中取得多项指标显著提升，反映出研究者对模型外推能力的重视。低复杂度卷积-循环架构胜出，也契合边缘端部署与长期家用监测对算力与稳定性的现实诉求。此类特征工程与建模思路若与射频感知等非接触信号通道结合，或可为非接触睡眠呼吸评估的临床化提供新的参考路径。

—— 本文基于公开报道由空音编辑部 AI 辅助改写 来源：arXiv 信号处理 原文链接：https://arxiv.org/abs/2608.12229