World Sleep Industry ENCYCLOPEDIA

体动与体位分析算法

4.4.1

定义、任务与用途边界

体动与体位分析算法把加速度、角速度、床体动、压力或视频等连续信号转换为活动强度、运动事件、睡眠—清醒估计、在床区间、翻身和仰卧、俯卧、左侧、右侧等姿势。不同输出解决不同问题:腕部活动计适合观察多日睡眠—清醒节律,躯干传感器更适合判断体位,床下传感器则记录整床机械变化。

体动是睡眠的代理信号而非脑电睡眠本身。静卧清醒常被误判为睡眠,睡眠中的翻身、周期性腿动或床伴动作又可能被误判为清醒。算法可估计总睡眠时间、入睡、醒后清醒和睡眠效率,但不能仅凭运动完整复现 PSG 睡眠分期、觉醒、呼吸事件或周期性腿动计分。

体位也需明确测量对象:腕部朝向、头部方向、颈部姿势和躯干姿势不是同一变量。位置性呼吸分析通常关心事件发生时的身体或头颈姿势,而压疮管理可能关心接触面和持续受压。系统必须说明传感器位于何处、标签表示哪一部位以及输出用于趋势、临床辅助还是干预控制。

传感器、坐标与标定

三轴加速度计同时感受重力方向与运动加速度,陀螺仪可补充旋转速度,磁力计可提供航向但容易受环境磁场影响。腕带、戒指、胸贴、颈部设备、腰部设备和床垫传感器的坐标含义不同。算法应保存采样率、量程、分辨率、滤波、传感器轴定义和时间戳,不能把厂商汇总的“活动点数”当作通用物理单位。

体位分类首先需要建立设备坐标与人体解剖轴的关系。佩戴角度、松紧、左右手、胸贴倾斜和夜间旋转都会改变重力向量;用户重新佩戴后,前一夜的边界可能失效。初始化姿势、自校准、方向连续性和重新标定规则应显式记录,并在无法区分传感器移位与真实翻身时输出低置信度。

非接触床传感器会混合受检者、床伴、宠物、床架和环境振动;视频受被褥、照明、视角和隐私限制;腕部信号会受到睡前阅读、手部习惯及白天摘戴影响。多传感器融合可减少歧义,但每个通道的空间覆盖和失效方式不同。系统应先回答“谁在动、哪一部位在动”,再解释睡眠或体位。

预处理、非佩戴与运动事件

预处理通常包括时间同步、重采样、去重力或姿态估计、带宽限制、伪迹检测及滑动窗口特征。活动可用轴向变化、向量模长、角度范围、能量或学习特征表达。窗口长度和平滑会改变短动与翻身的数量,阈值和聚合规则必须版本化;从原始加速度计算的指标也不能与专有活动计数直接比较。

非佩戴、充电、设备脱落和信号饱和必须与真正静止分开。连续零值、异常恒定温度、光学接触、阻抗或日记可提供线索,但不同设备的可用证据不同。把非佩戴当作睡眠会虚增总睡眠时间,把夜间摘表当清醒又会制造长醒段,因此有效佩戴区间应作为独立输出并允许人工修正。

一次运动事件可以是短暂肢体动作、整体翻身、起床或设备碰撞。事件边界需规定启动、停止、最短持续、相邻合并和跨无效区间处理。腕部大动作不必代表身体翻身,躯干角度改变也不必伴随高活动强度;将活动强度与姿态转换分别建模,通常比用同一阈值解释所有运动更清晰。

睡眠—清醒与节律估计

传统活动计算法以目标 epoch 前后的加权活动量判断睡眠或清醒,现代模型则利用原始加速度、手臂角度、光学心率、温度和更长时序。两类方法都容易偏向识别睡眠而漏掉静卧清醒。应同时报告睡眠灵敏度和清醒特异度,不能用较高总体准确率掩盖失眠或碎片化睡眠中的系统偏差。

睡眠区间不仅由逐 epoch 分类决定,还需识别上床、尝试入睡、最终醒来和离床。睡眠日记、按键、环境光与设备状态可帮助限定分析窗口,但用户记录也可能缺失。算法应保留自动边界、人工修订和证据来源,并区分在床时间、睡眠机会和估计睡眠时间,避免指标名称相同而分母不同。

多日活动计的优势是描述作息时间、规律性、昼夜分布和治疗前后趋势,而非追求单夜微结构。缺失日、轮班、午睡、跨时区、设备换手和夏令时会影响节律解释。分析应使用连续日期和本地时区,记录日记事件与缺失,并在数据不足时拒绝给出稳定的节律结论。

体位分类与位置性指标

躯干姿势可按重力向量分为仰卧、俯卧、左侧、右侧和直立,也可保留滚转、俯仰等连续角度。宽类别便于临床报告,却会把接近边界的斜侧卧压成单一标签;连续角度更精细,但对标定与传感器滑动更敏感。阈值附近应提供迟滞和置信度,减少反复切换。

头颈与躯干可能朝向不同,尤其在枕头支撑、半侧卧或床头抬高时。胸部传感器不能自动代表头位,腕部朝向更不能代表身体侧别。若位置性 OSA 或体位治疗依赖头颈信息,应使用相应传感器或视频参照并分别报告,而不能从躯干类别推断全部上气道姿势。

位置性呼吸指标要把每个呼吸事件与同时段的有效睡眠和体位匹配,再分别计算各姿势的事件率。某姿势暴露时间过短会使比值不稳定,自动睡眠和体位错误还会同时影响分子与分母。报告应列出每种姿势的有效睡眠时长、事件数、置信度和最低可解释暴露规则,而不只给一个位置性标签。

标签、数据与性能验证

睡眠—清醒标签宜来自同步 PSG,体位标签可来自同步视频、人工观察或经验证的身体传感器;两者时间必须精确对齐。参考应说明 epoch、姿势定义、被褥遮挡、头与躯干是否分开及标注者。用另一款未验证可穿戴或设备自己的旧算法作真值,只能比较一致性,不能建立准确度。

训练、调参与测试要按受试者和记录夜隔离,并覆盖年龄、体型、行动能力、失眠、睡眠呼吸障碍、神经疾病、轮班、不同床伴和佩戴方式。儿童、老年人、活动受限者与普通成人的运动—睡眠关系不同。应保留非佩戴、低活动清醒和高体动睡眠样本,报告被排除的夜晚和可分析比例。

逐 epoch 验证应报告睡眠和清醒的灵敏度、特异度、F1、混淆矩阵及转换边界误差;体位应报告每类指标、角度误差和转身检测。记录级再比较总睡眠时间、入睡潜伏期、醒后清醒、睡眠效率、各体位时间及转换次数的偏差与一致性。相关性不能替代 Bland–Altman 式的一致性和个体误差分析。

部署、报告与发展方向

部署界面应显示原始活动或角度趋势、佩戴质量、自动睡眠窗口、体位和人工修订,并允许用户或专业人员标注摘戴、午睡、上床和异常夜。系统必须保留资料不足状态,不能把整段静止自动解释为睡眠。硬件、固件、佩戴位置、阈值或模型更新都需回归测试和版本追踪。

选型先明确用途与时间尺度:多日节律、失眠评估辅助、HSAT 睡眠时间估计、位置性呼吸分析、体位治疗反馈或一般健康趋势。随后核对传感器位置、原始数据、非佩戴处理、目标人群、外部验证和人工复核。活动计不能替代腿肌电诊断 PLMD,也不能在需要 PSG 时取代 PSG。

未来方向包括个体化静卧清醒识别、头颈与躯干联合姿态、多传感器不确定性融合、开放原始指标和隐私保护的家庭验证。更好的算法应说明何时不知道,而不是把每个 epoch 强制分类。自适应更新仍需限定修改范围、预定验证、漂移监测和回退能力,保证纵向趋势在设备和版本变化后仍可解释。