World Sleep Industry ENCYCLOPEDIA

周期性腿动识别算法

4.4.1

定义、输出与用途边界

周期性腿动识别算法先从左右胫骨前肌肌电中定位符合规则的候选腿动,再依据相邻运动的起点间隔、序列长度、睡眠—清醒状态及排除条件组成周期性腿动序列。输出可包括每次运动的起止、侧别、幅度、所属序列、相关觉醒或呼吸事件,以及按睡眠时间归一化的 PLMS 指数。

单次腿动并不自动属于周期性序列,重复运动也不一定是病理性 PLMS。翻身、伸展、入睡抽动、交替性腿肌激活、足部震颤、碎片性肌阵挛、REM 睡眠行为和电极伪迹可能形成相似波形。算法必须声明采用的计分手册版本、候选运动定义、序列规则和排除范围,不能只用“规律”或固定频率概括。

PLMS 是 PSG 观察结果,不等同于不宁腿综合征或周期性肢体运动障碍诊断。前者可以出现在其他睡眠和神经疾病、药物使用者及无症状人群,后两者还需要症状、病史、功能影响和鉴别诊断。自动 PLMS 指数不能单独解释腿部不适、白天困倦或决定治疗。

传感器配置与信号质量

标准记录通常在左右胫骨前肌分别放置表面肌电电极,以保留侧别、双侧同步和相邻运动间隔信息。把两腿合并成单一通道可能便于显示,却会掩盖两侧独立活动并影响合并规则。系统应记录电极位置、参考方式、增益、采样、滤波、单位和校准过程,跨设备使用前需验证幅度可比性。

可穿戴加速度计、床垫传感器或视频能观察肢体运动,但测量的是位移、压力或影像,不等同于胫骨前肌电激活。被褥遮挡、身体整体移动和床伴动作会影响非接触信号;贴附位置、方向和佩戴松紧会影响可穿戴信号。替代传感器必须对预期用途独立验证,不能直接套用肌电阈值和临床指数名称。

电极松脱、阻抗变化、工频、心电串扰、导线牵拉、饱和和基线漂移可能制造虚假爆发或隐藏真实运动。质量门控需分别标记两侧通道的平坦、持续噪声、突跳和幅度异常,并允许单侧降级或不可判定。简单地把所有高幅活动删除会遗漏强腿动,完全依赖固定幅度又会在高噪声记录中产生大量误报。

候选腿动与事件边界

候选腿动通常依据肌电相对静息基线的上升、持续和回落确定,而不是使用不考虑背景的绝对峰值。基线应在局部稳定片段估计,并避开前一运动的恢复、持续紧张和伪迹。不同肌肉量、皮下组织、电极接触和放大器会改变幅度,因此算法应保存基线、阈值来源及质量置信度。

事件开始、结束和持续时间会影响它是否有资格进入周期序列。短暂跌破阈值可能只是同一次收缩中的间隙,双峰或双侧活动则可能按同步关系合并为一次运动。去抖、最短间隙、左右腿合并、截断事件和跨无效区间的处理都要显式版本化,避免逐样本阈值造成碎片化。

高幅体动或翻身可能同时污染腿肌电、脑电和呼吸通道;心电串扰则可能形成稳定但过快的伪周期。形态、双侧关系、视频、体动、心电时序及多通道一致性可帮助排除这些混淆。证据不足时应标记未定型运动或伪迹候选,而不是强制进入腿动计数。

周期序列、排除与关联

形成 PLMS 序列需要连续若干合格候选,且相邻起点间隔落在适用规则规定的范围内。算法应使用起点间隔而非事件间空白,并明确序列被不合格运动、清醒片段或信号缺失打断时的处理。孤立运动可以保留在腿动列表,但不能计入 PLMS 分子。

呼吸事件附近的腿动可能是呼吸恢复反应,适用规则通常要求在规定时间关系内排除或另行分类。算法需同时读取暂停、低通气、RERA 或其他睡眠呼吸事件边界,并解决呼吸与腿动检测相互依赖及版本不一致。密集呼吸事件中无法可靠归属的运动应显示冲突,不能静默计入或删除。

腿动与脑电觉醒的关联是另一项时间匹配任务。PLMS 指数、伴觉醒 PLMS 指数及觉醒指数分子不同,不能互换;一个觉醒还可能同时接近呼吸事件和腿动。系统应保存事件之间的方向、时间差和多重关联,让报告者依据适用规则决定归因,而不是只输出一个无法追溯的汇总数。

标签体系与资料治理

参考标签应绑定计分手册版本、年龄规则、两侧通道配置、显示滤波、睡眠阶段、呼吸事件和觉醒标签。每个候选需保留起止、侧别、基线、峰值、合并状态、排除原因及序列成员关系。若只保存最终 PLMS 指数,就无法定位误差来自候选漏检、左右合并、序列构建还是呼吸排除。

人工计分也会在弱运动、事件边界、双侧合并和呼吸关联上产生分歧。训练资料宜由合格计分者独立标注、盲法复核并预设仲裁,同时保存原始选择和不确定段。以多专家共识作主要参考,并分别报告对单名计分者的表现,可避免把人工差异全部归为模型错误。

训练、调参与测试必须按受试者和记录夜隔离,并覆盖年龄、性别、体型、睡眠阶段、PLMS 密度、睡眠呼吸障碍、RLS、神经疾病、药物及不同设备。要保留低质量和没有 PLMS 的真实记录,并报告排除比例。只用富集高指数或裁剪后的运动片段训练,会高估整夜部署能力并造成患病谱偏移。

验证、指标与临床解释

事件级验证应预先规定起点或重叠匹配,报告候选腿动和最终 PLMS 的灵敏度、阳性预测值、F1、每小时误报及边界误差。序列级还要评价成员归属、序列起止和错误拆并。由于无运动时间占多数,逐样本总体准确率意义有限;只比较 PLMS 指数相关性会掩盖不同事件相互抵消。

记录级评价应比较 PLMS 指数、伴觉醒指数、孤立腿动数、有效睡眠时间的偏差与一致性,并说明分母来自人工还是自动分期。相关性不能证明方法可互换,平均偏差也可能隐藏在阈值附近改变分类的误差。应按指数范围、睡眠阶段、呼吸事件负荷、单侧质量和关键人群分层。

外部验证需跨中心、放大器、电极材料、采样链路和真实患者群,并报告整夜可分析率、人工修改量及复核时间。若输出用于 PLMD、RLS 支持或治疗随访,还需单独验证患者级结论,不能由事件检测成绩直接推导诊断价值。报告应明确 PLMS 只是证据之一,并提示症状和排除其他原因的重要性。

部署、选型与发展方向

临床部署宜将自动结果作为预标注,界面同步显示左右腿肌电、睡眠阶段、觉醒、呼吸、心电和质量标记,使计分者能调边界、合并双侧事件、修改序列或恢复被排除运动。系统必须允许信号不足与归属冲突,记录人工修改原因,保持最终指数可回溯至每个候选。

选型先明确用途:PSG 预计分、可穿戴趋势、药物或治疗随访,还是研究表型。随后核对传感器、左右腿分辨、计分规则、呼吸排除、觉醒关联、年龄范围、外部验证与人工复核。厂商只提供 PLMS 指数相关性或受控片段准确率,不能替代事件级、整夜、跨设备和失败率证据。

未来方向包括规则约束的时序模型、肌电与视频或加速度融合、基线不确定性估计以及主动复核。模型可进一步描述间隔分布、双侧模式和与睡眠结构的关系,但研究性表型应与标准 PLMS 指标并列报告。自适应更新仍需限定变更范围、回归验证、版本监测和回退能力,防止阈值漂移改变长期可比性。